Toplu Naive Bayes (Ensemble Naive Bayes)
Ensemble of Naive Bayes Classifiers · Ayrıca şöyle bilinir: Bagged Naive Bayes, Boosted Naive Bayes, Naive Bayes ensemble, NB ensemble
Toplu Naive Bayes, her biri bagging, öznitelik alt kümeleri veya boosting yoluyla verinin farklı bir görünümüne maruz kalan birden çok Naive Bayes sınıflandırıcısı eğitir ve olasılıksal tahminlerini oylama veya olasılık ortalaması alma yoluyla birleştirir. Bu yaklaşım, topluluk toplama yoluyla varyansı azaltıp doğruluğu iyileştirirken, bireysel Naive Bayes modellerinin hızını ve 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
Naive Bayes'in zaten probleminiz için makul bir seçim olduğu — kategorik, metin veya basit sürekli veriler — ancak tek bir modelin varyans veya hafif bağımsızlık ihlalleri nedeniyle yetersiz kaldığı durumlarda Toplu Naive Bayes'i kullanın. Özellikle metin sınıflandırma, spam filtreleme ve tıbbi teşhis görevleri için uygundur; burada olasılıksal çıktıların yorumlanabilirliği önemlidir ve veri kümeleri orta büyüklüktedir. Temel Naive Bayes varsayımlarının ciddi şekilde ihlal edildiği (örneğin, Gaussian benzeri bir yapı olmadan güçlü bir şekilde ilişkili sürekli öznitelikler), veri kümesinin çok küçük olduğu (sınıf başına yaklaşık 100'den az örnek) topluluk çeşitliliğini anlamsız hale getirdiği veya bir gradyan-artırılmış ağaç topluluğunun zaten Naive Bayes'ten büyük bir farkla daha iyi performans gösterdiği ve yorumlanabilirliğin gerekli olmadığı durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Naive Bayes'in olasılıksal çıktısını ve sezgisel kalibrasyonunu korurken doğruluğu iyileştirir.
- Eğitimi son derece hızlıdır; her Naive Bayes uyumunun kapalı formda çözümleri olduğundan topluluk ek yükü mütevazıdır.
- Bireysel Naive Bayes'in zaten rekabetçi olduğu metin ve kategorik verilerde etkili varyans azaltma.
- Bireysel modellerin sağlam ve hataların birbirini götürmesi nedeniyle kısmi etiket gürültüsü altında iyi çalışır.
- Öznitelik mühendisliği gerektirmeden yüksek boyutlu metin kümelerine doğal olarak ölçeklenir.
- Koşullu bağımsızlık varsayımından kaynaklanan yanlılık, topluluk oluşturma ile ortadan kaldırılmaz; varsayım temelden yanlışsa, daha fazla NB modelini birleştirmek bunu düzeltmez.
- Topluluk ek yükü, bireysel Naive Bayes modellerinin yorumlanabilirlik faydasını azaltır.
- Sürekli, ilişkili öznitelikler için, gradyan-artırılmış ağaçlar veya rastgele ormanlar genellikle daha iyi performans gösterir.
- Tek bir NB'den daha iyi kalibre edilmiş olsa da, topluluktan gelen olasılık tahminleri, güçlü öznitelik korelasyonlarının olduğu alanlarda hala aşırı güvenli olabilir.
SSS
Topluluk oluşturma, Naive Bayes bağımsızlık varsayımını düzeltir mi?
Hayır. Topluluk oluşturma, üyeler arasındaki varyansı azaltır ancak özellik koşullu bağımsızlığını varsaymaktan kaynaklanan yanlılığı ortadan kaldıramaz. Bu varsayım ciddi şekilde ihlal edilmişse, lojistik regresyon veya gradyan artırma gibi özellik etkileşimlerini doğrudan ele alan modelleri düşünün.
Topluluk kaç adet Naive Bayes üyesinden oluşmalıdır?
Ampirik olarak, 10-50 üye genellikle varyans azaltma faydasının çoğunu yakalar. Daha fazla üye marjinal olarak kararlılığı artırır ancak büyük doğruluk kazançları olmadan çıkarım süresini artırır. Çanta dışı veya çapraz doğrulama hatasını izleyin ve durağanlaştığında durun.
NB toplulukları için bagging mi yoksa boosting mi daha iyidir?
Bagging (bootstrap örneklemesi) daha basit ve daha yaygın bir seçimdir çünkü bireysel NB modelleri neredeyse anında eğitilir, bu nedenle birçok bootstrap varyantını hesaplamak ucuzdur. Temel NB modeli belirli alt bölgelerde sistematik hatalara sahip olduğunda boosting yardımcı olabilir, ancak yanlılığını artırmaktan kaçınmak için dikkatli düzenlileştirme gerektirir.
Temel model olarak hangi Naive Bayes varyantını kullanmalıyım?
Sürekli sayısal öznitelikler için Gaussian NB, kelime sayıları veya terim-frekans öznitelikleri için Multinomial NB ve ikili oluşum öznitelikleri için Bernoulli NB'yi seçin. Varyant, veri türüyle eşleşmelidir; topluluk içinde uyumsuz varyantları karıştırmak genellikle performansı düşürür.
Ne zaman düz Naive Bayes, topluluk sürümünden daha iyidir?
Eğitim verileri çok küçük olduğunda (sınıf başına yaklaşık 100'den az örnek) veya tam olasılık modelinin yorumlanabilirliği en üst düzeyde olduğunda. Bu durumlarda, bir topluluğun ek yükü, anlamlı bir varyans azaltma olmaksızın karmaşıklık katar.
Kaynaklar
- Dietterich, T. G. (2000). Ensemble Methods in Machine Learning. In J. Kittler & F. Roli (Eds.), Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science, vol. 1857, pp. 1–15. Springer. DOI: 10.1007/3-540-45014-9_1 ↗
- Lowd, D. & Domingos, P. (2005). Naive Bayes Models for Probability Estimation. In Proceedings of the 22nd International Conference on Machine Learning (ICML 2005), pp. 529–536. ACM. DOI: 10.1145/1102351.1102418 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble of Naive Bayes Classifiers. ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-naive-bayes
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
- Naive BayesMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Naive BayesMakine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır