Aktif Öğrenme LightGBM
Active Learning with Light Gradient Boosting Machine · Ayrıca şöyle bilinir: AL-LightGBM, Active LightGBM, LightGBM active learning, AL-LGBM
Aktif Öğrenme LightGBM, aktif öğrenmenin sorgu-verimli etiket-seçim stratejisini, histogram tabanlı bir gradyan artırma çerçevesi olan LightGBM'nin hız ve doğruluğu ile birleştirir. Model, insan etiketlemesi için en bilgilendirici etiketlenmemiş örnekleri iteratif olarak seçer, büyüyen etiketli küme üzerinde LightGBM'yi yeniden eğitir ve pasif denetimli öğrenmeye göre çok daha az etiketli örnekle yüksek doğruluğa yakınsar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketleme maliyetinin birincil kısıtlama olduğu durumlarda Aktif Öğrenme LightGBM'yi kullanın: büyük etiketlenmemiş tablo verisi havuzları mevcuttur ancak her örneği etiketlemek zaman veya para açısından pahalıdır ve LightGBM düzeyinde doğruluk gereklidir. Sınıf dağılımının dengesiz olduğu veya etiketlenmemiş verinin bol olduğu ancak etiketlenmiş verinin kıt olduğu durumlarda üstünlük sağlar. Tüm veri kümesinin ucuza etiketlenebildiği, verinin yalnızca tam etiketlenmiş bir toplu iş olarak geldiği (pasif öğrenme yeterlidir), oracle'ın (etiketleyicinin) etkileşimli olarak güvenilmez veya kullanılamadığı veya her kararın yorumlanabilirliğinin katı bir şekilde gerekli olduğu ve sonradan analiz araçlarının bulunmadığı durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- En bilgilendirici örneklere odaklanarak etiketleme çabasını önemli ölçüde azaltır.
- LightGBM'nin hızı, sorgu turları arasında hızlı yeniden eğitime olanak tanır, bu da etkileşimli iş akışlarını pratik hale getirir.
- Kategorik özellikler dahil olmak üzere yüksek boyutlu tablo verilerini, LightGBM'nin yerel desteği sayesinde iyi bir şekilde işler.
- Birden çok sorgu stratejisiyle uyumludur (belirsizlik örneklemesi, marj, entropi, komite sorgusu).
- LightGBM'nin sınıf ağırlığı ve ölçek-pozitif-ağırlık parametreleri aracılığıyla sınıf dengesizliğini doğal olarak ele alır.
- Sorgu stratejisi ve durdurma kriteri dikkatli seçim gerektirir; yanlış seçimler etiketleme bütçesini boşa harcar.
- Her tur, sıfırdan yeniden eğitimde gecikme getirir; çok sayıda tur içeren büyük veri kümeleri yavaş olabilir.
- Performans, güvenilir bir oracle'a bağlıdır; gürültülü veya tutarsız insan etiketleri modeli hızla bozar.
- Artımlı LightGBM eğitimine uyum sağlamadan tamamen akışkan veya çevrimiçi ortamlar için uygun değildir.
SSS
LightGBM ile hangi sorgu stratejisi en iyi çalışır?
LightGBM doğrudan sınıf olasılıkları ürettiği için tahmin entropisi yoluyla belirsizlik örneklemesi en yaygın başlangıç noktasıdır. Sınıf sayıları çok eşitsiz olduğunda marj örneklemesi (en üst iki sınıf olasılığı arasındaki fark) genellikle daha sağlamdır. Komite sorgusu birden fazla modelin eğitilmesini gerektirir ancak tek bir modelin belirsizlik tahminlerinden kaynaklanan yanlılığı azaltabilir.
Başlamak için kaç etiketli örneğe ihtiyaç var?
Her sınıf için en az bir örnekten oluşan bir başlangıç kümesi gereklidir; pratikte, rastgele seçilmiş 10-50 etiketli örnek, ilk sorgu turu için anlamlı belirsizlik tahminleri üretmek üzere LightGBM'ye yeterli sinyal sağlar.
Her turda LightGBM'yi sıfırdan yeniden eğitmeliyim mi?
Sıfırdan yeniden eğitmek, modelin güncellenmiş etiketli kümeyi tam olarak yansıtmasını sağlar ve standart uygulamadır. Çok büyük veri kümeleri veya çok sayıda tur için, artımlı yaklaşımlar mevcuttur ancak model kaymasını önlemek için dikkat gerektirir.
Ne zaman sorgulamayı bırakacağımı nasıl anlarım?
Yaygın durdurma kuralları şunları içerir: sabit bir etiketleme bütçesine ulaşmak, ayrılmış doğrulama doğruluğunun birkaç tur boyunca platoya ulaşması veya maksimum belirsizlik puanının bir eşiğin altına düşmesi. Tur boyunca rastgele ayrılmış bir test kümesinin performansını izlemek en güvenilir göstergedir.
Aktif Öğrenme LightGBM, yarı denetimli öğrenme ile aynı mı?
Hayır. Yarı denetimli öğrenme, eğitimi doğrudan etiketlenmemiş verileri kullanır (örneğin, sözde etiketler veya tutarlılık düzenlemesi). Aktif öğrenme, seçilen etiketlenmemiş örnekler için gerçek etiketleri elde etmek üzere bir insan oracle'ına sorgu yapar; sorgulanmayan etiketlenmemiş veri, eğitim için basitçe kullanılmaz.
Kaynaklar
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-lightgbm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- LightGBMMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır