Çok Değişkenli Uyarlanabilir Regresyon Spline'ları (MARS)
Multivariate Adaptive Regression Splines (MARS) · Ayrıca şöyle bilinir: multivariate adaptive regression splines, earth algorithm, MARS regression, çok değişkenli uyarlamalı regresyon spline'ları
Jerome Friedman tarafından 1991'de tanıtılan çok değişkenli uyarlanabilir regresyon spline'ları, parçalı-doğrusal 'menteşe' (hinge) fonksiyonlarını birleştirerek doğrusal olmayanları ve etkileşimleri otomatik olarak modelleyen esnek bir parametrik olmayan regresyon yöntemidir. Temel fonksiyonları en çok yardımcı oldukları yerlere ekleyen ileri aşamalı bir geçişle modeli oluşturur, ardından aşırı büyümüş modeli budar ve karmaşıklığını veriye uyarlayan yorumlanabilir bir toplamsal-artı-etkileşim formu elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Doğrusal olmayan etkiler ve sürekli tahmin ediciler arasındaki etkileşimleri beklediğiniz ancak bunları otomatik olarak keşfeden ve bir kara kutudan daha yorumlanabilir kalan bir model istediğinizde MARS'ı kullanın. Orta-yüksek boyutları işler, toplamsal ve etkileşim terimlerini karıştırır, çok az ön işleme gerektirir (monoton dönüşümlere duyarsızdır ve farklı ölçekleri işler) ve hızlı çalışır. GAM'lerden (etkileşimlerin belirtilmesini gerektirenler) ve ağaç topluluklarından (tree ensembles) güçlü bir orta zemin oluşturur. Parçalı-doğrusal uyumları, spline tabanlı GAM'lerden daha az pürüzsüz olabilir, kararsız olabilir (küçük veri değişiklikleri seçilen düğümleri değiştirir) ve modern gradyan-artırılmış ağaçlar büyük, karmaşık veri kümelerinde genellikle daha iyi tahmin yapar; yalnızca toplamsal pürüzsüz etkiler için bir GAM daha temiz olabilir.
Güçlü yönler & sınırlılıklar
- Manuel belirtim olmadan doğrusal olmayanları ve etkileşimleri otomatik olarak keşfeder.
- Bir menteşe fonksiyonları ve çarpımlarının toplamı olarak yorumlanabilir bir form üretir.
- Minimum ön işlemle birçok tahmin ediciyi ve farklı ölçekleri işler.
- İleri seçim ve GCV tabanlı budama yoluyla otomatik karmaşıklık kontrolü.
- Parçalı-doğrusal uyumlar, GAM'ler gibi spline tabanlı yöntemlerden daha az pürüzsüzdür.
- Açgözlü seçim kararsız olabilir: küçük veri değişiklikleri seçilen düğümleri ve terimleri değiştirir.
- Büyük, karmaşık problemler üzerinde genellikle gradyan-artırılmış ağaçlardan daha az doğrudur.
- Daha yüksek dereceli etkileşimler ve çok yüksek boyutlar ileri aramayı zorlar.
SSS
Bir menteşe fonksiyonu nedir?
Bir menteşe (veya kesilmiş doğrusal) fonksiyonu, bir düğümün bir tarafında sıfırdır ve diğer tarafında doğrusal olarak artar, örneğin max(0, x − t) gibi. Bir menteşeyi ayna görüntüsüyle eşleştirmek, modelin düğümde bükülmesine izin verir. MARS, uyumunu birçok menteşeyi birleştirerek oluşturur ve değişkenler arasındaki menteşelerin çarpımları etkileşimleri temsil eder.
MARS bir regresyon ağacından nasıl farklıdır?
Her ikisi de tahmin edici uzayını uyarlanabilir bir şekilde böler, ancak bir regresyon ağacı parçalı-sabit (basamaklı) tahminler üretirken, MARS menteşe fonksiyonları aracılığıyla sürekli, parçalı-doğrusal tahminler üretir. Bu nedenle MARS, yorumlanabilir bir yapıyı korurken pürüzsüz eğilimleri ve etkileşimleri daha zarif bir şekilde yakalar.
MARS aşırı uyumu nasıl önler?
Birçok temel fonksiyon ekleyen ileri bir geçişte kasıtlı olarak aşırı uyar, ardından bunları geri bir geçişte budar ve genelleştirilmiş çapraz doğrulama (GCV) kriterini en aza indiren alt kümeyi seçer. GCV model karmaşıklığını cezalandırır, bu nedenle nihai model yalnızca örnek dışı uyumu iyileştiren terimleri tutar.
Kaynaklar
- Friedman, J. H. (1991). Multivariate adaptive regression splines. The Annals of Statistics, 19(1), 1–67. DOI: 10.1214/aos/1176347963 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Multivariate Adaptive Regression Splines (MARS). ScholarGate. https://scholargate.app/tr/machine-learning/mars
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Genelleştirilmiş Toplanabilir Model (GAM)Makine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Regresyon ve Yumuşatma Spline'larıMakine öğrenmesi↔ karşılaştır