Ekstra Ağaçlar
Extremely Randomized Trees (Extra-Trees) · Ayrıca şöyle bilinir: Extremely Randomized Trees, ExtraTreesClassifier, ExtraTreesRegressor, ET
Ekstra Ağaçlar (Son Derece Rastgeleleştirilmiş Ağaçlar), Geurts, Ernst ve Wehenkel tarafından 2006 yılında tanıtılmış, Rastgele Orman'dan daha ileri düzeyde rastgeleleştirme uygulayan bir karar ağaçları topluluğudur. Hem aday özellikler hem de bölünme eşikleri her düğümde tamamen rastgele seçilir, bu da eşikler üzerindeki açgözlü aramayı ortadan kaldırır. Bu ekstra rastgelelik varyansı azaltır, genellikle Rastgele Orman doğruluğuna ulaşır veya onu geçer ve eğitim süresinde önemli ölçüde daha hızlı çalışır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Eğitim süresinin hızlı olmasını ve sürekli veya karma özelliklere sahip tablo verilerinde güçlü doğruluk istediğinizde Ekstra Ağaçları kullanın. Özellikle eğitim süresinin kısıtlı olduğu durumlarda kullanışlıdır — eşik optimizasyonunun kaldırılması, karşılaştırılabilir doğrulukta Rastgele Orman'dan önemli ölçüde daha hızlı olmasını sağlar. Orta ila büyük örneklemli (yaklaşık 50 veya daha fazla gözlem) sınıflandırma ve regresyon görevlerine uygundur. Yerleşik 'out-of-bag' tahminlerine ihtiyacınız varsa veya veri kümesi gürültüsü çok yüksekse ve tamamen rastgele eşiklerin doğruluğu olumsuz etkilediğini düşünüyorsanız, Rastgele Orman veya gradyan artırma yöntemlerini tercih edin. Çok küçük veri kümeleri için, lojistik regresyon veya tek bir karar ağacı gibi daha basit modeller daha güvenli ve daha yorumlanabilirdir.
Güçlü yönler & sınırlılıklar
- Her bölünmede eşik optimizasyonu yapılmadığı için Rastgele Orman'dan daha hızlı eğitim.
- Ağaçlar arasındaki yüksek çeşitlilik, güçlü varyans azalmasına yol açar ve genellikle Rastgele Orman doğruluğuna ulaşır veya onu geçer.
- Ön işleme varsayımları olmadan karma özellik türlerini ve doğrusal olmayan etkileşimleri işler.
- Değişken sıralaması ve seçimi için yerel özellik önemleri sağlar.
- Çok sayıda ilgisiz özelliğe sahip yüksek boyutlu verilere iyi ölçeklenir.
- Yerleşik 'out-of-bag' tahmini yoktur (Rastgele Orman'ın aksine), bu nedenle yanlı olmayan hata değerlendirmesi için çapraz doğrulama gereklidir.
- Tamamen rastgele eşikler, optimal bölünmelerin bilgilendirici olduğu çok gürültülü verilerde zarar verebilir.
- Kara kutu: açık katsayılar sağlamaz, etki büyüklüklerini bekleyen kitleler için yorumlanabilirliği sınırlar.
- Bellek kullanımı, ağaç sayısı ve ağaç derinliği ile artar.
SSS
Ekstra Ağaçlar Rastgele Orman'dan nasıl farklıdır?
Her ikisi de karar ağaçlarının topluluklarıdır ve her bölünmede rastgele özellik alt kümeleri kullanılır. Temel fark, Ekstra Ağaçların bölünme eşiklerini optimize etmek yerine tamamen rastgele seçmesi ve varsayılan olarak bootstrap örnekleri yerine tam eğitim kümesi üzerinde eğitmesidir. Bu, Ekstra Ağaçları daha hızlı hale getirir ve tipik olarak daha çeşitli, daha az ilişkili ağaçlar üretir.
Hangisini tercih etmeliyim — Ekstra Ağaçlar mı yoksa Rastgele Orman mı?
Eğitim hızı önemli olduğunda veya veriler nispeten temiz olduğunda, Ekstra Ağaçlar genellikle daha düşük hesaplama maliyetiyle Rastgele Orman doğruluğuna ulaşır veya onu geçer. Yerleşik bir 'out-of-bag' tahmini istiyorsanız veya verileriniz gürültülüyse (burada daha iyi bölünme eşikleri yardımcı olur), Rastgele Orman daha güvenlidir.
Kaç ağaca ihtiyacım var?
100 ağaçla başlayın ve bir doğrulama kümesinde veya çapraz doğrulamada performans stabilize olana kadar artırın. Daha fazla ağaç kararlılığı iyileştirir ancak bellek ve tahmin gecikmesini artırır.
Ekstra Ağaçlar aşırı uyum sağlar mı?
Bireysel ağaçlar tam derinliğe kadar büyütülür ve izole olarak aşırı uyum sağlayabilir, ancak topluluk ortalaması varyansı güçlü bir şekilde azaltır. Tam topluluğun aşırı uyumu genellikle nadirdir, ancak çok küçük ve çok sayıda özelliğe sahip veri kümelerinde yine de meydana gelebilir.
OOB kümesi olmadan model performansını nasıl değerlendiririm?
k-katlı çapraz doğrulamayı kullanın — tipik olarak 5 veya 10 kat. Sınıflandırma görevlerini doğruluk, F1 ve AUC ile; regresyon görevlerini RMSE ve R-kare ile değerlendirin.
Kaynaklar
- Geurts, P., Ernst, D. & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42. DOI: 10.1007/s10994-006-6226-1 ↗
- Extra-Trees. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Extremely Randomized Trees (Extra-Trees). ScholarGate. https://scholargate.app/tr/machine-learning/extra-trees
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bagging (Önyükleme Toplama)Makine öğrenmesi↔ karşılaştır
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır