Çevrimiçi Torbalama
Online Bagging (Incremental Bootstrap Aggregating) · Ayrıca şöyle bilinir: incremental bagging, streaming bagging, online bootstrap aggregating, OzaBag
Çevrimiçi Torbalama, Oza ve Russell tarafından 2001'de tanıtılan, klasik bootstrap toplama (Torbalama) çerçevesini çevrimiçi öğrenme ortamına uyarlayan bir akış topluluk yöntemidir. Sabit bir veri kümesinden yeniden örnekleme yapmak yerine, gelen her örnek, akış geliştikçe bootstrap örneklemesini sadakatle yaklaştıran Poisson(1) dağılımlı bir sayıda her bir temel öğreniciye beslenir. Sonuç, tüm veri kümesini depolamadan kavram kaymasını ve sürekli veri gelişini işleyebilen, sağlam, artımlı olarak güncellenmiş bir topluluktur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veri sürekli bir akış olarak geldiğinde ve tam veri kümesinin depolanması imkansız veya yasak olduğunda (örn. sensör günlükleri, tıklama akışları, finansal tick verileri, gerçek zamanlı izleme) Çevrimiçi Torbalama'yı kullanın. Her yeni gözlemle güncellenen, hafif kavram kaymasını tolere eden ve bellek açısından verimli kalan sınıflandırma veya regresyon gerektirdiğinizde uygundur. Sabit, küçük-orta boyutlu bir veri kümesi için toplu Rastgele Orman'ın yerine doğrudan kullanmayın — çapraz doğrulama ile toplu topluluklar orada daha iyi performans gösterecektir. Ayrıca, açık bir kavram kayması algılama mekanizması eklenmeden ciddi ani kayma sergileyen veri akışından kaçının.
Güçlü yönler & sınırlılıklar
- Veriyi sabit bellekle tek seferde işler, gerçekten sınırsız akışları etkinleştirir.
- Poisson ağırlıklandırması, toplu Torbalama'ya kıyasla topluluk varyans azalması sağlayan bootstrap yeniden örneklemesini kanıtlanmış şekilde yaklaştırır.
- Doğal olarak paralelleştirilebilir: her temel öğrenici bağımsız olarak güncellenir, bu da onu dağıtılmış akış mimarileri için uygun hale getirir.
- Ağaç derinliği kadar hassas bir hiperparametre yoktur — topluluk çeşitlilik yoluyla kendi kendini düzenler.
- Yapısal değişiklikler olmaksızın çok sınıflı sınıflandırma ve regresyona doğrudan genişletilir.
- Statik veri kümelerinde, Rastgele Orman veya XGBoost gibi toplu yöntemler, tam çapraz doğrulama ve optimal bölmeleri kullanabildikleri için tutarlı bir şekilde Çevrimiçi Torbalama'dan daha iyi performans gösterir.
- Temel Çevrimiçi Torbalama, ciddi kavram kaymasına karşı yalnızca sınırlı bir dayanıklılık sunar; özel kayma dedektörleri (örn. ADWIN) harici olarak eklenmelidir.
- Poisson ağırlıklandırması, örnek başına ek varyans getirir, bu da kısa akışlarda yakınsamayı yavaşlatabilir.
- Yorumlanabilirlik düşüktür: birçok artımlı olarak büyütülen ağaçtan oluşan topluluğun tek bir karar ağacından incelenmesi daha zordur.
SSS
Neden özellikle Poisson(1)?
Ortalaması 1 olan bir Poisson dağılımı, n sonsuza yaklaştıkça n boyutlu bir bootstrap örneğinde bir gözlemin görünme sayısını yaklaştırır. Örnek başına öğrenici başına Poisson(1) kullanmak, bu sınırlayıcı davranışı tam olarak tekrarlar ve çevrimiçi yaklaşımı teorik olarak sağlam hale getirir.
Çevrimiçi Torbalama, Adaptif Rastgele Orman'dan nasıl farklıdır?
Adaptif Rastgele Orman (Gomes vd., 2017), her bölmede rastgele özellik alt örneklemesi (toplu Rastgele Orman gibi) ekleyerek ve kavram kayması algılandığında bireysel öğrenicileri sıfırlayan ağaç başına kayma dedektörleri entegre ederek Çevrimiçi Torbalama'yı genişletir. Çevrimiçi Torbalama daha basit temeldir; Adaptif Rastgele Orman, bunun üzerine inşa edilmiş mevcut en gelişmiş akış topluluğudur.
Hangi temel öğreniciyi kullanmalıyım?
En yaygın seçim, kanonik artımlı karar ağacı olan Hoeffding Ağacı'dır (VFDT olarak da adlandırılır). Ağaçta bir düğümde bölmek için yeterli veri görülüp görülmediğine karar vermek için Hoeffding sınırlarını kullanır, bu da geçmiş örnekleri depolamadan ağacı güncellenebilir tutar.
Kaç temel öğreniciye ihtiyacım var?
MOA çerçevesindeki ampirik kıyaslamalar, çoğu akışlı görevde kararlı topluluk performansı için 50-100 temel öğrenici önerir. Daha az öğrenici hesaplama maliyetini azaltır ancak tahmin varyansını artırır, özellikle akışın başlarında.
Bir Çevrimiçi Torbalama sınıflandırıcısı nasıl değerlendirilmelidir?
Önsel değerlendirme kullanın: gelen her örnek için önce etiketini tahmin edin, sonra modeli güncelleyin. Doğruluk, doğru tahminlerin sürekli ortalaması olarak hesaplanır. Bu, herhangi bir ileriye dönük yanlılığı önler ve gerçek dağıtım koşullarını yansıtır.
Kaynaklar
- Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112. link ↗
- Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/tr/machine-learning/online-bagging
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bagging (Önyükleme Toplama)Makine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Online BoostingMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır