Aktif Öğrenme Güçlendirme
Active Learning with Boosting Ensembles · Ayrıca şöyle bilinir: boosting-based active learning, query learning with boosting, active boosting, ensemble active learning
Aktif Öğrenme Güçlendirme, aktif öğrenmenin sorgu güdümlü etiket edinmesini, AdaBoost gibi güçlendirme algoritmalarının ağırlıklı topluluk mantığıyla birleştirir. Model, güçlendirme topluluğu içindeki anlaşmazlık veya belirsizlik tarafından yönlendirilerek, etiketlenecek en bilgilendirici etiketlenmemiş örnekleri yinelemeli olarak seçer ve her yeni etiketten sonra yeniden eğiterek, pasif öğrenmeden çok daha az etiketlenmiş örnekle yüksek doğruluk elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlemenin pahalı olduğu (klinik annotasyon, uzman incelemesi, yasal kodlama) ancak büyük bir etiketlenmemiş veri havuzunun mevcut olduğu ve basit bir model yerine güçlü topluluk doğruluğu istediğinizde Aktif Öğrenme Güçlendirmeyi kullanın. Güçlendirmenin yeniden ağırlıklandırması doğal olarak zor örneklere odaklandığı için, orta derecede sınıf dengesizliğine sahip tablo sınıflandırma görevleri için uygundur. Etiketlemenin ucuz olduğu (tam küme üzerinde pasif öğrenme daha basit olabilir), etiketlenmemiş havuzun küçük olduğu (anlamlı sorgu kazancı yok), görevin gerçek zamanlı veya akış kararları gerektirdiği (standart güçlendirme yığın tabanlıdır) veya katsayıların tam yorumlanabilirliğinin gerekli olduğu durumlarda daha az uygundur.
Güçlü yönler & sınırlılıklar
- Rastgele örneklemeye kıyasla belirli bir doğruluk hedefine ulaşmak için gereken etiketleme maliyetini önemli ölçüde azaltır.
- Uyarlanabilir örnek ağırlıklandırması yoluyla güçlendirmenin güçlü genelleme ve sınıf dengesizliğine karşı direncini miras alır.
- Sorgu stratejisi doğrudan modelin kendi belirsizliğine dayanır, bu da onu ilkeli ve uyarlanabilir hale getirir.
- Dağılım varsayımları gerektirmeden karışık özellik türleri içeren tablo verileriyle iyi çalışır.
- Temel öğrenici olarak herhangi bir güçlendirme varyantıyla (AdaBoost, gradyan güçlendirme, XGBoost) uyumludur.
- Her sorgu döngüsünde bir oracle (insan veya otomatik) gerektirir, bu da tam otomatik işlem hatlarını karmaşık hale getirir.
- İlk başlangıç etiketli kümesi temsil edici olmalıdır; önyargılı bir başlangıç, önyargılı erken sorgulara ve yavaş yakınsamaya yol açar.
- En belirsiz örnekleri sorgulamak, etiketlenmiş kümenin artık doğal veri dağılımını yansıtmamasıyla dağılım kaymasına neden olabilir.
- Hesaplama maliyeti, özellikle büyük havuzlardaki derin güçlendirme toplulukları için her yeniden eğitim döngüsüyle artar.
- Pasif öğrenmeye göre performans artışları, etiketleme bütçesi büyüdükçe azalır.
SSS
Temel öğrenici olarak hangi güçlendirme algoritması en iyi sonucu verir?
Örnek başına güven veya marj puanları sağlayan herhangi bir güçlendirme varyantı işe yarar. AdaBoost, orijinal aktif öğrenme literatüründe en çok incelenenidir; gradyan güçlendirme (XGBoost, LightGBM) pratikte daha güçlü doğruluk eğilimindedir ve modern işlem hatlarında giderek yaygınlaşmaktadır.
İlk etiketli başlangıç kümesi ne kadar büyük olmalıdır?
Yaygın bir kılavuz, toplam havuzun %1-5'i veya en azından sınıf başına birkaç örnektir, hangisi daha büyükse. Çok küçük bir başlangıç, erken sorguları yanıltıcı olabilecek kararsız bir ilk model üretir.
Aktif öğrenme güçlendirme her zaman rastgele örneklemeyi geride bırakır mı?
Her zaman değil. Etiketleme bütçesi havuzla orantılı olarak büyük olduğunda, rastgele örnekleme aynı doğruluğa yaklaşır. En büyük kazançlar, etiketlemenin pahalı olduğu ve etiketlenmemiş havuzun büyük olduğu düşük bütçeli rejimlerde ortaya çıkar.
Modeli adil bir şekilde nasıl değerlendiririm?
Aktif öğrenme döngüsü başlamadan önce bir test kümesini ayırın ve bunu asla sorgu kararlarına veya eğitime dahil etmeyin. Nihai güçlendirme topluluğunu bu dokunulmamış küme üzerinde değerlendirin; aktif olarak seçilen etiketli küme üzerindeki doğruluk iyimser bir şekilde yanlıdır.
Tek seferde bir örnek sorgulamak yerine yığın sorguları kullanabilir miyim?
Evet. Yığın modlu aktif öğrenme, oracle etkileşimlerini azaltmak için döngü başına bir dizi çeşitli yüksek belirsizlik örneği seçer. Çoğu pratik uygulama, bilgililiği ve çeşitliliği dengeleyerek çok benzer örnekleri sorgulamaktan kaçınmak için 10-100 arası yığınlar kullanır.
Kaynaklar
- Abe, N. & Mamitsuka, H. (1998). Query Learning Strategies Using Boosting and Bagging. Proceedings of the 15th International Conference on Machine Learning (ICML 1998), pp. 1–9. Morgan Kaufmann. link ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Active Learning with Boosting Ensembles. ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-boosting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif Öğrenme Destek Vektör MakinesiMakine öğrenmesi↔ karşılaştır
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Online BoostingMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır