Topluluk Karar Ağacı
Ensemble Decision Tree (Combined Decision Tree Classifiers and Regressors) · Ayrıca şöyle bilinir: decision tree ensemble, ensemble of decision trees, combined decision trees, multiple classifier system (decision trees)
Topluluk Karar Ağacı yöntemleri, birden fazla karar ağacını eğitir ve çıktılarını birleştirerek tek bir ağaca göre daha doğru ve kararlı tahminler üretir. Torbalama (bagging), rastgele alt uzay örneklemesi (random subspacing) ve oylama gibi stratejileri kapsayan bu yöntemler, tablo halindeki sınıflandırma ve regresyon görevleri için en etkili hazır teknikler arasındadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Olasılıkla doğrusal olmayan ilişkiler, özellik etkileşimleri veya sürekli ve kategorik değişkenlerin bir karışımı olan tablo verilerinde güvenilir tahmin performansı gerektiğinde ve bireysel katsayılar düzeyinde yorumlanabilirlik gerekmediğinde topluluk karar ağaçlarını kullanın. Orta ve büyük veri kümeleri (kabaca 100 veya daha fazla gözlem) için oldukça uygundurlar. Tamamen şeffaf, denetlenebilir bir modele (bunun için tek bir karar ağacı veya lojistik regresyon daha iyidir) ihtiyaç duyduğunuzda, veri kümesi çok küçük olduğunda (50'den az gözlem, aşırı uyum riskinin arttığı durumlarda) veya bireysel tahmincilerin nedensel etkileri hakkında çıkarım birincil hedef olduğunda bunları ilk tercih olarak kullanmayın.
Güçlü yönler & sınırlılıklar
- Çoğu tablo görevinde tek bir karar ağacına göre önemli ölçüde daha yüksek doğruluk ve kararlılık.
- Ön işleme varsayımları olmaksızın karma özellik türlerini (sürekli, kategorik, sıralı, ikili) işler.
- Doğrusal olmayan ilişkileri ve özellik etkileşimlerini açık bir mühendislik olmaksızın doğal olarak yakalar.
- En tahmin edici değişkenleri belirlemeye yardımcı olan özellik önem sıralamaları sağlar.
- Birçok ağaçtaki ortalama alma etkisi nedeniyle gürültülü etiketlere ve aykırı değerlere karşı sağlamdır.
- Tek ağaç şeffaflığının kaybı: topluluk, yorumlanabilir tek bir ağaç yapısı olarak görselleştirilemez.
- Tek bir ağaca kıyasla, özellikle büyük topluluklar için eğitim ve tahmin süresinde daha yüksek hesaplama maliyeti.
- Özellik önem ölçümleri, yüksek kardinaliteli özelliklere doğru yanlı olabilir ve küçük veri kümelerinde kararsız olabilir.
- Ağaçları basit ortalama alma veya oylama ile birleştirmek, tahmin edilen olasılıkların optimal kalibrasyonunu garanti etmez.
SSS
Topluluk karar ağacı, tek bir karar ağacından nasıl farklıdır?
Tek bir ağaç, eğitim verilerine uyacak şekilde büyütülür ve tek bir deterministik tahmin üretir. Bir topluluk, verilerin çeşitli görünümleri üzerinde birçok ağaç büyütür ve tahminlerini birleştirir. Bu birleştirme, varyansı ve aşırı uyumu azaltarak genellikle genellemeyi önemli ölçüde iyileştirir.
Bunun Random Forest'tan farkı nedir?
Random Forest, topluluk karar ağacı yönteminin en popüler özel örneğidir; gözlemlerin önyükleme örneklemesini, her bölmede rastgele özellik alt örneklemesiyle birleştirir. Topluluk karar ağacı, yalnızca önyükleme (bagging), yalnızca özellik alt örneklemesi veya diğer çeşitlilik stratejilerini kullanan yöntemleri de içeren daha geniş bir kategoridir.
Kaç ağaç kullanmalıyım?
Torba dışı hatayı veya çapraz doğrulanmış hatayı ağaç sayısına göre çizin ve eğri düzleştiğinde ağaç eklemeyi bırakın. Pratik bir başlangıç noktası 100 ağaçtır; yüksek boyutlu veriler için 500 veya daha fazlası gerekebilir.
Topluluk karar ağacı özellik ölçeklendirmesi gerektirir mi?
Hayır. Karar ağaçları eşik değerler üzerinde bölünür ve özelliklerin monoton dönüşümlerine karşı değişmezdir, bu nedenle eğitimden önce normalleştirme veya standardizasyon gerekli değildir.
Topluluk karar ağaçları eksik verileri işleyebilir mi?
Birçok uygulama vekil bölmeleri destekler veya eksik değerleri çoğunluk dalına geçirebilir, bu da bir miktar doğal tolerans sunar. Ancak, eğitimden önce açık imputasyon genellikle performansı artırır ve mümkün olduğunda tercih edilmelidir.
Kaynaklar
- Dietterich, T. G. (2000). Ensemble methods in machine learning. In Multiple Classifier Systems, Lecture Notes in Computer Science, vol. 1857, pp. 1–15. Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-45014-9_1 ↗
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble Decision Tree (Combined Decision Tree Classifiers and Regressors). ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-decision-tree
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bagging (Önyükleme Toplama)Makine öğrenmesi↔ karşılaştır
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Ekstra AğaçlarMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır