Aktif Öğrenme Destek Vektör Makinesi
Active Learning Support Vector Machine · Ayrıca şöyle bilinir: Active SVM, AL-SVM, SVM active learning, query-by-committee SVM
Aktif öğrenme SVM, destek vektör makinelerinin güçlü karar sınırını, insan etiketlemesi için en bilgilendirici etiketlenmemiş örnekleri seçen akıllı bir sorgu stratejisiyle birleştirir. Tong ve Koller tarafından 2001'de tanıtılan bu yöntem, pasif denetimli öğrenmeye göre çok daha az etiketlenmiş örnek kullanarak yüksek sınıflandırma doğruluğu elde eder ve bu da etiketlemenin pahalı veya yavaş olduğu durumlarda pratik hale getirir.
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 verinin az olduğu veya elde edilmesinin pahalı olduğu - tıbbi görüntüleme, belge sınıflandırma ve bilimsel etiketleme görevlerinde yaygın olan - ve büyük bir etiketlenmemiş veri havuzunun mevcut olduğu durumlarda Aktif öğrenme SVM kullanın. Etiketleme maliyetlerinin yüksek olduğu ve karar sınırının önemsiz olmadığı durumlarda rastgele etiketlemeden daha iyi performans gösterir. Zaten mevcut tüm verileri etiketlemenin mümkün olduğu durumlarda; çekirdek yapısı net olmayan aşırı yüksek boyutlu bir özellik uzayı olduğunda; veya etiketlenmemiş havuzun seçici sorgulamadan faydalanmak için çok küçük olduğu durumlarda kullanmayın. Ayrıca oracle kullanılabilirliğinin aralıklı olduğu durumlarda kaçının, çünkü döngü tekrarlanan insan erişimi gerektirir.
Güçlü yönler & sınırlılıklar
- Pasif denetimli öğrenmeye göre önemli ölçüde daha az etiketlenmiş örnekle yüksek sınıflandırma doğruluğu elde eder.
- SVM teorisine sıkıca dayanır: marj tabanlı sorgu seçimi açık bir geometrik ve olasılıksal gerekçeye sahiptir.
- Esnek çekirdek seçimi (doğrusal, RBF, polinom), metin, görüntü ve tablo özellik uzaylarına uyum sağlamayı mümkün kılar.
- Havuz tabanlı formülasyon pratiktir: tüm etiketlenmemiş küme önceden mevcuttur, bu da gerçek uygulamalarda yaygındır.
- İteratif yeniden eğitim, performans ve etiketleme bütçesi arasındaki doğal bir izleme eğrisi sağlar.
- Her iterasyonda SVM'yi baştan yeniden eğitmek, büyük etiketlenmiş havuzlar için hesaplama açısından pahalıdır; artımlı SVM güncellemeleri maliyeti azaltır ancak ortadan kaldırmaz.
- Marj örneklemesi, etiketlenmemiş havuzda sınır yakınında gürültü veya yinelenenler varsa, gereksiz veya aykırı örnekler seçebilir.
- Performans, çekirdek ve hiperparametre seçimine büyük ölçüde bağlıdır, bu da az sayıda etiketlenmiş örnekle güvenilir bir şekilde ayarlanması zordur.
- Oracle'ın her zaman mevcut ve hatasız olduğu varsayılır; gerçek etiketleyicilerden gelen gürültülü veya tutarsız etiketler yakınsamayı bozar.
SSS
Aktif öğrenme SVM, standart bir SVM'den nasıl farklıdır?
Standart bir SVM, sağlanan etiketlenmiş verileri pasif olarak kullanır. Aktif öğrenme SVM, mevcut karar sınırına en yakın olanları seçerek, etiketlenmesi istenen etiketlenmemiş örnekleri aktif olarak seçer. Sınıflandırma modeli aynı SVM'dir; yalnızca veri toplama stratejisi değişir.
Hangi sorgu stratejisini kullanmalıyım?
Basit Marj (hiper düzleme en yakın tek etiketlenmemiş örneği seçme) kanonik ve en çok incelenen stratejidir. Bir seçilmiş küme içindeki çeşitliliği en üst düzeye çıkaran yığın modu varyantları, uygulaması biraz daha karmaşık pahasına, oracle etkileşim turlarının maliyetli olduğu durumlarda tercih edilir.
Ne zaman sorgulamayı bırakmalıyım?
Yaygın durdurma kriterleri arasında sabit bir etiketleme bütçesinin tükenmesi, bir doğrulama kümesinde hedef doğruluğa ulaşılması veya ardışık olarak sorgulanan örneklerin hepsinin sınırdan uzakta yer aldığının gözlemlenmesi (model güveninin istikrar kazandığını gösterir) yer alır. Aşırı iyimser olduğu için yalnızca eğitim kümesi performansına güvenmekten kaçının.
Aktif öğrenme SVM, çok sınıflı problemleri ele alabilir mi?
Evet, bire karşı-rest veya bire karşı-bire ayrıştırmaları yoluyla. Çok sınıflı sorgu seçimi için marj genellikle iki en yüksek sınıf puanı arasındaki fark olarak tanımlanır; bu boşluğun en küçük olduğu örnekler seçilir. Bazı uygulamalar özel çok sınıflı aktif öğrenme kriterleri kullanır.
Derin öğrenme, aktif öğrenme SVM'yi modası geçmiş mi kılıyor?
Tamamen değil. Aktif öğrenme SVM, etiketlenmiş verinin çok az olduğu (düzinelerce ila yüzlerce örnek), eğitim hesaplama gücünün sınırlı olduğu veya marjın yorumlanabilirliğinin değerli olduğu durumlarda rekabetçi kalır. Derin aktif öğrenme yöntemleri yalnızca GPU kaynaklarının mevcut olduğu ve etiketlenmemiş havuzun çok büyük olduğu durumlarda tercih edilir.
Kaynaklar
- Tong, S., & Koller, D. (2001). Support Vector Machine Active Learning with Applications to Text Classification. Journal of Machine Learning Research, 2, 45–66. link ↗
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Active Learning Support Vector Machine. ScholarGate. https://scholargate.app/tr/machine-learning/active-learning-support-vector-machine
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır