Bayes Karar Ağacı
Bayesian Decision Tree (Bayesian CART) · Ayrıca şöyle bilinir: Bayesian CART, BCART, Bayesian tree induction, probabilistic decision tree
Bayes Karar Ağacı (Bayesian CART), ağaç yapıları ve yaprak parametreleri üzerine bir önsel dağılım yerleştirir, ardından veriler verildiğinde ağaçların sonsal dağılımını keşfetmek için Markov zinciri Monte Carlo yöntemini kullanır. Tek bir en iyi ağaç yerine, tahminleri ortalaması alınan makul ağaçların bir dağılımı üretir, bu da nokta tahminlerinin yanı sıra kalibre edilmiş belirsizlik tahminleri sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tahminlerin yanı sıra belirsizlik ölçümü gerektiğinde — özellikle tıp, politika veya finans gibi risk duyarlı alanlarda — ve yapısal belirsizliğin önemli olduğu kadar küçük veri kümelerinde (yaklaşık n < 500) Bayes Karar Ağacını kullanın. Yorumlanabilirliğin önemli olduğu (bireysel örneklenmiş ağaçlar insan tarafından okunabilir kalır) ve tek bir nokta tahmininden ziyade kalibre edilmiş sonsal öngörü aralıkları istediğinizde değerlidir. Büyük veri kümeleri (n > 10.000) için bundan kaçının, çünkü ağaç yapıları üzerindeki MCMC hesaplama açısından pratik değildir; bu durumlarda Rastgele Orman veya gradyan artırma daha pratiktir. Ayrıca, yalnızca hedeflenen ham tahmin doğruluğu ise daha az uygundur, çünkü modern artırma yöntemleri genellikle yalnızca doğruluk açısından onu geride bırakır.
Güçlü yönler & sınırlılıklar
- Yapısal ağaç belirsizliğini ölçen kalibre edilmiş sonsal öngörü aralıkları sağlar.
- Ağaç yapısı önseli aracılığıyla yerleşik düzenlileştirme, derinliğin ayrı çapraz doğrulaması olmadan aşırı uyumu önler.
- Bireysel örneklenmiş ağaçlar insan tarafından okunabilir kalır, standart karar ağaçlarının yorumlanabilirliğini korur.
- Tek bir açgözlü uyuma bağlanmak yerine birçok makul ağaç yapısı üzerinden marjinalleştirir.
- Tek bir en iyi ağacın güvenilmez olduğu küçük örneklem ayarları için çok uygundur.
- Yaprak parametreleri üzerindeki eşlenik önsel dağılımlar, orta düzey veri boyutları için hesaplamayı yönetilebilir tutarak verimli marjinalleştirmeye olanak tanır.
- Ağaç uzayı üzerindeki MCMC hesaplama açısından pahalıdır; büyük veri kümelerine (n > 10.000) ölçeklendirme, yaklaşımlar olmadan pratik değildir.
- Önsel duyarlılık: sonuçlar, iyi ayarlamak için alan bilgisi gerektiren ağaç yapısı önselinin seçimine bağlı olabilir.
- Markov zincirinin yakınsaması doğrulaması zordur ve uzun bir ısınma süresi ve inceltme gerektirebilir.
- Standart ML kütüphanelerinde CART veya Rastgele Orman'dan daha az yaygın olarak bulunur, bu da uygulama engelini yükseltir.
SSS
Bayes Karar Ağacı Rastgele Orman'dan nasıl farklıdır?
Rastgele Orman, varyans azaltma için onları ortalamak üzere bootstrap yeniden örnekleme ve rastgele özellik alt kümeleriyle birçok ağaç oluşturur — bu sıkılaştırıcı bir topluluktur. Bayes Karar Ağacı, bir önsel ve olabilirlik tarafından tanımlanan bir sonsal dağılımdan ağaçları örnekler, kalibre edilmiş güven aralıkları üretir. Rastgele Orman daha hızlıdır ve genellikle büyük veri kümelerinde daha doğrudur; Bayes DT, özellikle küçük verilerde daha iyi kalibre edilmiştir ve yapısal belirsizlik hakkında daha şeffaftır.
Ağaç yapısı üzerinde hangi önseli kullanmalıyım?
En yaygın seçim Chipman ve arkadaşları (1998) tarafından izlenir: d derinlikteki bir düğümün iç düğüm olma olasılığı alfa * (1 + d)^(-beta)'dır, burada alfa yaklaşık 0.95 ve beta yaklaşık 2'dir. Bu, derin ağaçları dışlamadan cezalandırır. Beta'yı ayarlamak, önselin sığ ağaçları ne kadar güçlü bir şekilde tercih ettiğini kontrol eder.
MCMC zincirinin yakınsadığını nasıl anlarım?
Karışma belirtileri için iterasyonlar boyunca log marjinal olabilirlik ve ağaç derinliğini izleyin. Birden fazla bağımsız zincir çalıştırmak ve bunların sonsal özetlerinin uyduğunu kontrol etmek pratik bir tanıdır. Ölçekli özetler (örneğin, ağaç derinliği) üzerindeki Gelman-Rubin istatistikleri kullanışlıdır. İterasyonların en az ilk %20-30'unu ısınma süresi olarak atın.
Bayes Karar Ağacı ile BART arasında bir ilişki var mı?
Evet. BART (Bayesian Additive Regression Trees, Chipman ve arkadaşları 2010), tek bir Bayes karar ağacını, her biri düzenleyici bir önsele sahip birçok küçük ağacın toplamına genişletir. BART genellikle tek bir Bayes ağacından çok daha iyi tahmin doğruluğuna sahiptir ve regresyon ve nedensel çıkarım için standart Bayes ağaç yöntemi haline gelmiştir.
Bayes Karar Ağacı eksik verileri işleyebilir mi?
Yerel olarak değil — standart formülasyon eksiksiz verileri varsayar. Eksik değerler uydurmadan önce doldurulmalı veya model bir eksik veri modeli ile genişletilmelidir. Bazı uygulamalar, CART'ta olduğu gibi vekil bölmeler aracılığıyla eksikliği ele alır, ancak bu orijinal Bayes CART spesifikasyonunun bir parçası değildir.
Kaynaklar
- Chipman, H. A., George, E. I., & McCulloch, R. E. (1998). Bayesian CART model search. Journal of the American Statistical Association, 93(443), 935–948. DOI: 10.1080/01621459.1998.10473750 ↗
- Denison, D. G. T., Mallick, B. K., & Smith, A. F. M. (1998). A Bayesian CART algorithm. Biometrika, 85(2), 363–377. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Decision Tree (Bayesian CART). ScholarGate. https://scholargate.app/tr/machine-learning/bayesian-decision-tree
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Düzenlileştirilmiş Karar AğacıMakine öğrenmesi↔ karşılaştır