Ölçüm Öğrenmesi
Metric Learning (Distance Metric Learning) · Ayrıca şöyle bilinir: Distance Metric Learning, Similarity Learning, DML, Representation Learning via Distance
Ölçüm öğrenmesi, anlamsal olarak benzer örneklerin öğrenilmiş uzayda birbirine yakın, benzer olmayan örneklerin ise birbirinden uzaklaşmasını sağlayacak bir uzaklık veya benzerlik fonksiyonunu veriden eğiten bir makine öğrenmesi çerçevesidir. Öklid gibi sabit uzaklıkların aksine, öğrenilmiş ölçüm görevin yapısına uyum sağlayarak sonraki sınıflandırıcıları, kümeleyicileri ve erişim sistemlerini önemli ölçüde daha doğru hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+4 tane daha
Ne zaman kullanılır
Görev doğası gereği benzerlik tabanlı olduğunda - örneğin, az sayıda örnekle sınıflandırma, yüz doğrulama, tıbbi görüntü erişimi, konuşmacı kimlik doğrulaması veya ürün önerisi - ve sabit bir Öklid uzaklığının, özelliklerin eşit olmayan alaka düzeyleri nedeniyle kötü performans gösterdiği durumlarda ölçüm öğrenmesini kullanın. Orta ila büyük etiketli veri kümeleri ve görüntüler veya metin gömmeleri gibi yüksek boyutlu girdilerle iyi çalışır. Sınıf başına çok az etiketlenmiş örneğiniz olduğunda (sınıf başına yaklaşık 5-10'dan az), nihai hedefin lojistik regresyon veya gradyan artırma ile iyi hizmet edilen basit bir tablo regresyonu veya sınıflandırması olduğu durumlarda veya açık özellik katsayıları açısından yorumlanabilirlik gerektiğinde bundan kaçının.
Güçlü yönler & sınırlılıklar
- Özellik uzayının geometrisini belirli göreve uyarlar, en yakın komşu ve kümeleme doğruluğunu önemli ölçüde artırır.
- Az sayıda örnekle tanımayı sağlar: iyi bir ölçüm öğrenildikten sonra, yeni sınıfları sınıflandırmak yalnızca birkaç örnek gerektirir.
- Alanlar arasında iyi aktarılır - bir veri kümesinde öğrenilen bir ölçüm, daha az ek veriyle ilgili bir görev için ince ayarlanabilir.
- Modelden bağımsızdır: öğrenilmiş gömme, bu bileşenleri yeniden eğitmeye gerek kalmadan herhangi bir sonraki algoritmayı (k-NN, SVM, k-ortalamalar) besleyebilir.
- Karşıtlık ve üçlü formülasyonlar, mini-yığın örnekleme yoluyla çok büyük veri kümelerine ölçeklenir.
- Üçlü ve karşıtlık kayıpları dikkatli çift/üçlü madenciliği gerektirir; rastgele örnekleme çoğunlukla kolay, bilgilendirici olmayan çiftler üretir ve eğitimi büyük ölçüde yavaşlatır.
- Doğrusal Mahalanobis yöntemleri, özellik boyutluluğu ile karesel olarak ölçeklenir ve boyut azaltma olmadan çok yüksek boyutlarda imkansız hale gelir.
- Etiketlenmiş veya çiftli kısıtlamalı verilere ihtiyaç duyar; tamamen denetimsiz ortamlar, ek varsayımlar olmadan ne öğrenilebileceğini sınırlar.
- Değerlendirme dolaylıdır - ölçüm kalitesi, tek bir kayıp değeriyle değil, sonraki bir görev aracılığıyla değerlendirilmelidir.
SSS
Karşıtlık öğrenmesi, pozitif ve negatif çiftleri karşılaştıran belirli bir ölçüm öğrenmesi amaçları ailesidir (örneğin, karşıtlık kaybı, SimCLR). Ölçüm öğrenmesi, Mahalanobis yöntemlerini, üçlü kayıpları ve vekil tabanlı amaçları da içeren daha geniş çerçevedir.
Her sınıftan kaç örneğe ihtiyacım var?
Doğrusal Mahalanobis yöntemleri, sınıf başına 10-20 örnek kadar azıyla çalışabilir. Derin ölçüm öğrenmesi genellikle kullanışlı gömmeler öğrenmek için sınıf başına onlarca ila yüzlerce örnek gerektirir, ancak önceden eğitilmiş omurgalar bu gereksinimi önemli ölçüde azaltabilir.
Ölçüm öğrenmesi boyut azaltma ile aynı şey midir?
Tam olarak değil. PCA veya UMAP gibi yöntemler doğrudan denetim olmadan boyutları azaltır. Ölçüm öğrenmesi, sınıf veya çiftli denetimi kullanarak geometriyi şekillendirir, böylece sonuçtaki uzay sadece kompakt değil, görev ayırt edicidir.
Ölçüm öğrenmesi dengesiz sınıfları işleyebilir mi?
Evet, ancak yığınları domine eden sınıfın baskın olmasını önlemek için çift/üçlü örnekleme tabakalandırılmalıdır. Vekil tabanlı kayıplar (Proxy-NCA, Proxy-Anchor), üçlü örneklemeye göre sınıf dengesizliğine karşı daha dayanıklıdır.
Standart bir sınıflandırıcı yerine ne zaman ölçüm öğrenmesi kullanmalıyım?
Eğitim sırasında görülmeyen sınıflara genelleme yapmanız gerektiğinde (açık küme tanıma, az sayıda örnekle öğrenme) veya görev sabit sınıf tahmini yerine erişim olduğunda ölçüm öğrenmesini tercih edin.
MethodMind'da kendi veri kümenizde Ölçüm Öğrenmesi çalıştırın - etiketlenmiş veya çiftli olarak etiketlenmiş verileri yükleyin, bir Mahalanobis veya gömme tabanlı yaklaşım seçin ve öğrenilmiş uzaklık matrisini, gömme görselleştirmesini ve en yakın komşu değerlendirme metriklerini alın.
Kaynaklar
- Xing, E. P., Jordan, M. I., Russell, S., & Ng, A. Y. (2003). Distance metric learning with application to clustering with side-information. In Advances in Neural Information Processing Systems (NIPS), 16, 505–512. link ↗
- Weinberger, K. Q., & Saul, L. K. (2009). Distance metric learning for large margin nearest neighbor classification. Journal of Machine Learning Research, 10, 207–244. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Metric Learning (Distance Metric Learning). ScholarGate. https://scholargate.app/tr/machine-learning/metric-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Az sayıda örnekle öğrenmeMakine öğrenmesi↔ karşılaştır
- Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır