Topluluk Lojistik Regresyonu
Ensemble Logistic Regression (Combined Logistic Classifier Ensemble) · Ayrıca şöyle bilinir: logistic regression ensemble, bagged logistic regression, aggregated logistic regression, logistic ensemble classifier
Topluluk Lojistik Regresyonu, eğitim verilerinin çeşitli alt kümeleri veya pertürbasyonları üzerinde birden çok lojistik regresyon sınıflandırıcısı eğitir ve olasılık tahminlerini ortalama veya oylama yoluyla birleştirir. Yaklaşım, topluluk oluşturma yoluyla varyansı azaltıp tahmin kararlılığını iyileştirirken, lojistik regresyonun olasılıksal yorumlanabilirliğini korur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Lojistik regresyonun yorumlanabilirliği ve olasılık kalibrasyonu için tercih edilen model olduğu, ancak gürültülü veya küçük-orta boyutlu veri kümeleri nedeniyle varyans azaltmanın gerektiği durumlarda Topluluk Lojistik Regresyonu kullanın. Kararlı, kalibre edilmiş olasılıklar ve aykırı değerlere karşı bir miktar dayanıklılık istediğiniz tablo verileri üzerinde ikili ve çok sınıflı sınıflandırma için uygundur. Sınıf dengesizliğini, veri sızıntısını veya ciddi yetersiz uyumu ele almak için bir ikame olarak kullanmayın — bunlar ayrı çözümler gerektirir. Yalnızca çok yüksek tahmin doğruluğu hedefleniyorsa, gradyan artırma veya rastgele orman genellikle ondan daha iyi performans gösterir.
Güçlü yönler & sınırlılıklar
- Olasılık kalibrasyonundan ödün vermeden lojistik regresyon tahminlerinin varyansını azaltır.
- Bireysel model düzeyinde lojistik regresyonun olasılıksal çıktısını ve yorumlanabilirliğini korur.
- Veri pertürbasyonu altında tek bir lojistik regresyona kıyasla daha kararlı katsayı tahminleri.
- Lojistik regresyon için temel bir tahminciye uygulanan standart bagging çerçeveleri kullanılarak uygulaması basittir.
- Bagging'den elde edilen torba dışı (out-of-bag) örnekler, ek bir tutma verisi olmadan dahili bir performans tahmini sağlar.
- Bireysel topluluk üyeleri artık tek bir yorumlanabilir katsayı vektörü vermez, bu da açıklayıcı şeffaflığı azaltır.
- Lojistik regresyonun yanlılığını ele almaz — karar sınırı doğrusal değilse, birçok lojistik regresyonun topluluğu hala doğrusal bir topluluk üretir.
- Üye sayısı (B) faktörü kadar tek bir lojistik regresyona göre hesaplama açısından daha maliyetlidir.
- Veri büyük ve temiz olduğunda, iyi ayarlanmış tek bir lojistik regresyona göre performans artışları mütevazıdır.
SSS
Topluluk kaç adet temel lojistik regresyon modeli içermelidir?
Tipik olarak 50 ila 200 üye. Varyans azaltma belirli bir noktanın ötesinde azalır, bu nedenle üye sayısı arttıkça torba dışı performansı değerlendirin ve kazançlar düzleştiğinde durun.
Olasılıkların ortalamasını almak çoğunluk oylamasından farklı mıdır?
Evet. Olasılıkların ortalamasını almak daha fazla bilgiyi — özellikle karar sınırına yakın güveni — tutar ve ikili çıktılardaki çoğunluk oylamasından genellikle daha iyi kalibre edilmiş tahminler üretir.
Topluluk lojistik regresyonu doğrusal olmayan karar sınırlarını işleyebilir mi?
Hayır. Her üye doğrusal bir sınıflandırıcıdır, bu nedenle topluluk orijinal özellik uzayında doğrusal kalır. Doğrusal olmayan sınırlar için özellik mühendisliği uygulayın veya rastgele orman veya gradyan artırma gibi doğrusal olmayan bir modele geçin.
Topluluk lojistik regresyonu, düzenli lojistik regresyona göre nasıl karşılaştırılır?
Düzenlileştirme (L1/L2) tek bir modelin daraltılmasıyla varyansı azaltır; bagging birden çok modelin ortalamasını alarak varyansı azaltır. İki yaklaşım birleştirilebilir: her temel sınıflandırıcıyı düzenlileştirin ve sonra onları topluluğa ekleyin.
Topluluk yorumlanabilir mi?
Bireysel üyeler yorumlanabilir lojistik regresyonlardır, ancak topluluğun tamamı tek bir katsayı vektörü ortaya koymaz. Topluluk genelinde sonradan açıklama için, ortalama SHAP değerlerini kullanın veya standartlaştırılmış katsayıların ortalamasını dikkatli bir şekilde alın.
Kaynaklar
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Polikar, R. (2006). Ensemble based systems in decision making. IEEE Circuits and Systems Magazine, 6(3), 21–45. DOI: 10.1109/MCAS.2006.1688199 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble Logistic Regression (Combined Logistic Classifier Ensemble). ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-logistic-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Lojistik Regresyon (YZ)Makine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Lojistik RegresyonMakine öğrenmesi↔ karşılaştır
- Yığma (Stacking)Makine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır