Aktif Öğrenme Karar Ağacı
Active Learning with Decision Tree Classifier · Ayrıca şöyle bilinir: AL-DT, active decision tree, query-based decision tree learning, uncertainty-sampling decision tree
Aktif öğrenme, bir karar ağacının yorumlanabilir yapısını, insan etiketlemesi için en bilgilendirici etiketlenmemiş örnekleri seçen bir sorgu stratejisiyle birleştirir. Model, yalnızca en çok emin olmadığı örneklere yönelik etiketler isteyerek, etiketleme maliyetini en aza indirirken tablo verileri üzerindeki sınıflandırma doğruluğunu en üst düzeye çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlenmiş eğitim verilerinin az olduğu veya elde edilmesinin pahalı olduğu, ancak çok sayıda etiketlenmemiş örneğin mevcut olduğu durumlarda aktif öğrenmeyi bir karar ağacıyla kullanın — örneğin tıbbi etiketleme, belge sınıflandırma veya sensör arızası tespiti görevlerinde. Karar ağacı tabanı, etiketleme verimliliğinin yanı sıra nihai modelin yorumlanabilirliğinin gerekli olduğu durumlarda özellikle uygundur. Tüm veri kümesinin ucuz bir şekilde etiketlenebildiği (pasif öğrenme yeterlidir), etiketlenmiş havuzun zaten büyük olduğu (yüzlerce veya binlerce), özellik uzayının çok yüksek boyutlu olduğu (gradyan artırma veya sinirsel aktif öğreniciler daha iyi performans gösterir) veya çok büyük veri kümeleri için iterasyon başına yeniden eğitim maliyetinin karşılanamaz olduğu durumlarda bu yaklaşımdan kaçının.
Güçlü yönler & sınırlılıklar
- Rastgele örneklemeye kıyasla hedef doğruluğa ulaşmak için gereken etiket sayısını önemli ölçüde azaltır.
- Karar ağacı taban modeli insan tarafından yorumlanabilir, bu da onu düzenlenmiş veya açıklama gerektiren alanlar için uygun kılar.
- Özellik ölçeklendirme gerektirmeyen, orta boyutlu tablo veri kümelerinde karışık özellik türleriyle iyi çalışır.
- Belirsizlik tabanlı sorgu stratejilerinin uygulanması ve paydaşlara açıklanması kolaydır.
- Her iterasyondan sonra kutu dışı (out-of-bag) veya doğrulama kümesi doğruluğu şeffaf bir öğrenme eğrisi sağlar.
- Etiketlenmemiş havuz çok büyük olduğunda sorgu stratejisi ve ağaç yeniden eğitimi birlikte hesaplama açısından maliyetli olabilir.
- Karar ağaçları yüksek varyanslı öğrenicilerdir; az sayıda başlangıç etiketiyle, erken ağaç güvenilmez olabilir ve bu da kötü erken sorgulara yol açabilir.
- Performans tavanı, aynı etiketli bütçe üzerinde rastgele orman veya gradyan artırma gibi topluluk yöntemlerinden daha düşüktür.
- Oracle etiketlerinin doğru olduğunu varsayar; gürültülü veya tutarsız etiketler, aktif döngüyü pasif öğrenmeden daha hızlı bozabilir.
SSS
Neden temel öğrenici olarak daha güçlü bir model yerine bir karar ağacı kullanmalı?
Karar ağaçları her iterasyonda hızlı bir şekilde yeniden eğitilir ve belirsizlik puanlaması için gereken olasılık tahminlerini üretir. Yorumlanabilirlikleri, nihai modelin açıklanmasını gerektiren alanlarda da önemlidir. Maksimum doğruluk için, yorumlanabilirlik maliyetiyle birlikte rastgele orman veya gradyan artırma aktif öğrenicisi tercih edilebilir.
Başlamak için kaç tane başlangıç etiketli örneğe ihtiyacım var?
Yaygın bir kural, ağacın anlamlı bölmeler yapabilmesini sağlamak için her sınıf için en az bir veya iki örnektir. Pratikte, 5-20 etiketlenmiş örnekle başlamak tipiktir; bundan daha azı, anlamlı belirsizlik puanları üretemeyecek kadar bozuk bir başlangıç ağacı riski taşır.
Sorguların sırası önemli mi?
Evet. Sorgu dizisi yola bağlıdır: erken sorgular ağacın ne öğrendiğini ve dolayısıyla hangi sonraki örneklerin en belirsiz göründüğünü şekillendirir. Farklı rastgele tohumlar veya başlangıç etiketli kümeler önemli ölçüde farklı öğrenme eğrilerine yol açabilir, bu nedenle stratejileri karşılaştırırken çalıştırmalar arasında tohumlar üzerinden deneyleri tekrarlayın.
Ne zaman sorgulama yapmayı bırakmalıyım?
Etiketleme bütçesini önceden tanımlayın veya doğrulama doğruluğunu izleyin ve yeni etiket başına iyileşme bir eşiğin altına düştüğünde durun. Veri sızdırmayı oluşturduğu için test kümesini asla durdurma kriteri olarak kullanmayın.
Bu yaklaşımı çok sınıflı problemlerle kullanabilir miyim?
Evet. Entropi tabanlı belirsizlik örneklemesi, çoklu sınıflara doğal olarak genelleştirilir. Ağır dengesiz çok sınıflı durumlar için, maliyet-duyarlı veya sınıf ağırlıklı karar ağaçlarını düşünün ve başlangıç tohum kümesinin tüm sınıfları kapsadığından emin olun.
Kaynaklar
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin-Madison. link ↗
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth & Brooks. ISBN: 978-0-412-04841-8
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Active Learning with Decision Tree Classifier. ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-decision-tree
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Lojistik Regresyon ile Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yarı Denetimli Karar AğacıMakine öğrenmesi↔ karşılaştır