Bayesian Rastgele Orman
Bayesian Random Forest (Bayesian Ensemble of Decision Trees) · Ayrıca şöyle bilinir: Bayesian Forest, BRF, Empirical Bayesian Forest, posterior random forest
Bayesian Rastgele Orman, ağaç yapıları ve yaprak parametreleri üzerine bir önsel dağılım yerleştirerek, ardından o topluluk üzerindeki sonsal dağılımı örnekleyerek veya yaklaştırarak klasik rastgele ormanı genişletir. Sonuç, kalibre edilmiş belirsizlik tahminleriyle birlikte gelen bir dizi tahmindir — standart rastgele ormanların sahip olmadığı bir yetenek — bu da modelin ne kadar emin olduğunu bilmenin, tahminin kendisi kadar önemli olduğu durumlarda onu değerli kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hem doğru tahminlere hem de güvenilir belirsizlik nicelemesine ihtiyaç duyduğunuzda Bayesian rastgele ormanı kullanın — örneğin, tıbbi teşhis, finansal risk veya modelin kendi düşük güven tahminlerini işaretlemesi gereken güvenlik açısından kritik uygulamalarda. Orta ila büyük örneklem boyutlarına (kabaca 100+ gözlem) ve doğrusal olmayan özellik ilişkilerine sahip tablo verileri için uygundur. Yanlış kalibre edilmiş güvenin maliyetli olduğu durumlarda standart bir rastgele orman yerine tercih edin. Açık katsayılar şeklinde yorumlanabilirlik gerekiyorsa, hesaplama bütçesi çok kısıtlıysa (sonsal örnekleme standart orman eğitiminden daha yavaştır) veya veri kümesi çok küçükse (yaklaşık 50 gözlemden az), sonsalın önsel tarafından domine edildiği ve sonuçların güvenilmez olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Nokta tahminlerinin ötesinde kalibre edilmiş tahmin belirsizliği sağlar.
- Standart rastgele ormanların güçlü tahmin doğruluğunu ve sağlamlığını miras alır.
- Sonsal ağırlıklandırma topluluğu düzenlileştirir, eşit ağırlıklı bagging'e kıyasla aşırı uyumu azaltır.
- Dağılımsal varsayımlar olmaksızın doğrusal olmayan etkileşimleri ve karışık özellik türlerini ele alır.
- Belirsizlik tahminleri, aktif öğrenmeyi yönlendirmek veya aşağı akışta yüksek riskli tahminleri işaretlemek için kullanılabilir.
- Standart rastgele ormanlardan önemli ölçüde daha hesaplama açısından pahalıdır, özellikle tam MCMC örneklemesi ile.
- Sonsal yaklaşımlar (ampirik Bayes), yönetilebilirlik için bazı kalibrasyon doğruluğundan ödün verir.
- Açık katsayılar yoktur; model çıkarım açısından kara kutu olarak kalır.
- Dikkatli önsel belirtimi gerektirir — kötü seçilmiş önseller küçük veri kümelerindeki çıkarımı domine edebilir.
SSS
Bir Bayesian rastgele orman standart bir rastgele ormandan nasıl farklıdır?
Standart bir rastgele orman, deterministik bir bootstrap prosedürüyle büyütülen eşit ağırlıklı ağaçlardan gelen tahminleri ortalar. Bir Bayesian rastgele orman, ağaçları verilere bağlı sonsal olasılıklarına göre ağırlıklandırır ve ağaçlar arasındaki yayılım, tek bir nokta tahmini yerine kalibre edilmiş belirsizlik aralıkları verir.
Standart bir rastgele ormandan çok daha yavaş mıdır?
Evet. Tam MCMC tabanlı çıkarım, büyüklük mertebeleriyle daha yavaş olabilir. Ampirik Bayes yaklaşımları (örneğin, Taddy vd. 2015), standart orman eğitim hızına daha yakındır ancak yine de ek yük getirir. Ek maliyet, güvenilir belirsizlik tahminleri elde etmenin bedelidir.
Bir önsel ayarlamam gerekiyor mu ve sonuçlar ona ne kadar duyarlıdır?
Evet, ağaç yapısı ve yaprak parametreleri üzerine bir önsel belirtilmelidir. Büyük veri kümelerinde olasılık fonksiyonu baskındır ve önselin önemi daha azdır. Küçük veri kümelerinde önsel baskın olabilir, bu nedenle makul model karmaşıklığı hakkındaki gerçek alan inançlarını yansıtmalıdır.
Sınıflandırma ve regresyon için kullanabilir miyim?
Evet. Sınıflandırma için sonsal tahmin, ilişkili belirsizlikle birlikte sınıf olasılıklarını verir; regresyon için ise bir sonsal ortalama ve güven aralığı verir. Her iki kullanım durumu da R paketi bayesianForest ve Python tabanlı varyantlar gibi uygulamalarda desteklenir.
BART'ı ne zaman bir Bayesian rastgele ormana tercih etmeliyim?
Bayesian Toplamalı Regresyon Ağaçları (BART), iyi incelenmiş yazılımlara (R paketi BART) sahip, yakından ilişkili tam bir Bayesian ağaç topluluğudur. Kapsamlı bir şekilde doğrulanmış, yerleşik yazılım desteğine sahip bir Bayesian uygulaması istediğinizde BART'ı tercih edin. Çevrimiçi veya ölçeklenebilir bir varyant (örneğin, Mondrian ormanları) gerektiğinde Bayesian rastgele ormanları tercih edilebilir.
Kaynaklar
- Taddy, M., Chen, C., Yu, J., & Wyle, M. (2015). Bayesian and Empirical Bayesian Forests. Proceedings of the 32nd International Conference on Machine Learning (ICML 2015), PMLR 37, 967–976. link ↗
- Lakshminarayanan, B., Roy, D. M., & Teh, Y. W. (2016). Mondrian Forests for Large-Scale Regression when Uncertainty Matters. Proceedings of the 19th International Conference on Artificial Intelligence and Statistics (AISTATS 2016), PMLR 51, 1478–1487. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/tr/machine-learning/bayesian-random-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Aktif ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Bayes Karar AğacıMakine öğrenmesi↔ karşılaştır
- Bayesci Yarı-Denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır