Topluluk Destek Vektör Makinesi
Ensemble Support Vector Machine (Aggregated SVM Ensemble) · Ayrıca şöyle bilinir: Ensemble SVM, SVM ensemble, bagged SVM, SVM committee machine
Topluluk Destek Vektör Makinesi, bağımsız olarak eğitilmiş birden çok DVM sınıflandırıcısını veya regresörünü birleştirir — her biri farklı bir veri bölümü, bootstrap örneği veya özellik alt kümesi üzerinde uyumlandırılmıştır — ve çıktılarını oylama, ortalama alma veya istifleme yoluyla toplar. Yaklaşım, tek bir büyük ölçekli DVM'de bulunan yüksek hesaplama maliyetini ve çekirdek hiperparametrelerine duyarlılığı azaltırken, karmaşık veya yüksek boyutlu veri kümelerinde genellemeyi iyileştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek bir DVM gürültülü veya yüksek boyutlu verilerde yetersiz kaldığında, eğitim kümesi tek bir model için çekirdek matris hesaplamasının imkansız olduğu kadar büyük olduğunda veya tahminler üzerinde güven aralıkları gerektiğinde bir topluluk DVM kullanın. Sürekli veya kategorik (kodlanmış) özelliklere sahip orta ila büyük boyutlu tablo veri kümeleri için uygundur. Bireysel DVM zaten düşük genelleme hatası elde ettiğinde ve hesaplama bütçesi kısıtlıysa KULLANMAYIN — bu durumda T modelin eğitiminin ek maliyeti nadiren haklı çıkar. Ayrıca, düzenleyici veya raporlama amaçları için tek bir karar sınırının kesin yorumlanabilirliği gerekiyorsa bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tek bir DVM'ye kıyasla varyansı azaltır, gürültülü veya çeşitli veri kümelerinde genellemeyi iyileştirir.
- Eğitimin yönetilebilir alt kümelere bölünmesiyle büyük veri kümelerinde DVM tabanlı öğrenmeyi etkinleştirir.
- Herhangi bir tek bileşen modelde kötü çekirdek veya hiperparametre seçimine karşı dayanıklıdır.
- Tamamlayıcı karar sınırlarını yakalamak için farklı çekirdekli (doğrusal, RBF, polinom) DVM'leri birleştirebilir.
- Bileşen tahminlerinin yayılması yoluyla belirsizlik nicelleştirmesini doğal olarak destekler.
- Birçok yüksek boyutlu sınıflandırma problemi üzerinde gradyan artırma ile rekabetçidir.
- T adet DVM eğitmek hesaplama maliyetini T ile çarpar — zaten pahalı modeller, dikkatli alt küme boyutlandırması olmadan aşırı derecede yavaş hale gelir.
- DVM'leri birleştirmek, her bileşen için çekirdek ve düzenlileştirme hiperparametrelerini ayarlama ihtiyacını ortadan kaldırmaz.
- Sonuç topluluk, tek bir DVM'den bile daha az yorumlanabilirdir, bu da katsayı düzeyinde raporlamayı imkansız hale getirir.
- Küçük veri kümelerinde (n < 100), bootstrap çeşitliliği çöker ve tek bir iyi ayarlanmış DVM üzerindeki topluluk kazançları minimum düzeydedir.
SSS
Topluluk kaç adet DVM içermelidir?
Yaygın bir başlangıç noktası 10-50 bileşen DVM'dir. Doğrulukta kazançlar genellikle 100 modelden çok önce platoya ulaşır ve her ek DVM eğitim ve tahmin süresi ekler. T arttıkça topluluk performansını tutulmuş bir küme üzerinde değerlendirin ve iyileştirmeler ihmal edilebilir hale geldiğinde durun.
Bir DVM topluluğu oluşturmanın tek yolu torbalama mıdır?
Hayır. Veri bölümleme (eğitimi ayrık alt kümelere ayırma), rastgele özellik alt uzayları ve istifleme (DVM çıktılarını bir meta-öğreniciye girdi olarak kullanma) hepsi yerleşik yaklaşımlardır. Farklı DVM çekirdeklerini karıştıran heterojen topluluklar da tek bir çekirdeğin açıkça baskın olmadığı durumlarda kullanılır.
Ne zaman gradyan artırma veya rastgele orman yerine bir topluluk DVM tercih etmeliyim?
Topluluk DVM'ler, DVM'lerin üstün olduğu yüksek boyutlu problemler üzerinde en rekabetçidir (örneğin, seyrek metin verileri, genomik özellikler). Birçok örnekle standart tablo verileri için gradyan artırma (XGBoost, LightGBM), daha az hesaplama yüküyle DVM topluluklarından genellikle daha iyi performans gösterir.
DVM'leri birleştirmek, tahmin edilen olasılıkların kalibrasyonunu iyileştirir mi?
Evet, topluluk üyeleri arasında Platt ölçekli veya izotonik regresyonla kalibre edilmiş DVM olasılıklarının ortalamasını almak, genellikle tek bir DVM'ye kıyasla kalibrasyonu iyileştirir. Olasılıksal çıktıları toplama işleminden önce her zaman her bileşen DVM'yi kalibre edin.
Bir topluluk DVM regresyon için kullanılabilir mi?
Evet. Her bileşen DVM sınıflandırıcısını bir SVR (destek vektör regresörü) ile değiştirin, bunları bootstrap veya bölümlenmiş alt kümeler üzerinde eğitin ve sürekli çıktılarını ortalama alarak toplayın. Varyans azaltma faydası, regresyon görevleri için de eşit derecede geçerlidir.
Kaynaklar
- Kim, H.-C., Pang, S., Je, H.-M., Kim, D., & Bang, S. Y. (2002). Constructing support vector machine ensemble. Pattern Recognition, 36(12), 2757–2767. DOI: 10.1016/s0031-3203(03)00175-4 ↗
- Dietterich, T. G. (2000). Ensemble methods in machine learning. In Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science, vol. 1857, pp. 1–15. Springer. DOI: 10.1007/3-540-45014-9_1 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ensemble Support Vector Machine (Aggregated SVM Ensemble). ScholarGate. https://scholargate.app/tr/machine-learning/ensemble-support-vector-machine
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
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yığma (Stacking)Makine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır