Online Boosting
Online Boosting (Streaming Ensemble Boosting) · Ayrıca şöyle bilinir: streaming boosting, incremental boosting, online AdaBoost, online ensemble boosting
Online Boosting, klasik güçlendirme (boosting) çerçevesini veri akışlarına uyarlar; tam veri kümesini depolamadan, zayıf öğrenicilerden oluşan bir topluluğu örnek başına birer birer günceller. Oza-Russell formülasyonu, AdaBoost'un yeniden ağırlıklandırmasını Poisson örneklemeli örnek sayımlarını kullanarak yaklaştırır; bu da gerçek zamanlı veya kaynak kısıtlı ortamlarda doğru, uyarlanabilir sınıflandırmayı mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler sürekli bir akış olarak geliyorsa ve model geçmiş örneklere tekrar başvurmadan artımlı olarak güncellenmesi gerekiyorsa Online Boosting'i kullanın — örneğin gerçek zamanlı dolandırıcılık tespiti, ağ saldırısı izleme, sensör tabanlı sınıflandırma veya tam veri kümesini depolamanın imkansız olduğu herhangi bir ortamda. Akış, uyarlanabilir yeniden ağırlıklandırmadan yararlanan kavram kayması içeriyorsa, tek çevrimiçi öğrenicilerden ve çevrimiçi torbalamadan daha iyi performans gösterir. Veri kümesinin statik olduğu ve belleğe sığdığı durumlarda kullanmayın — yığın gradyan güçlendirme (XGBoost, LightGBM) neredeyse her zaman daha yüksek doğruluk üretecektir. Ayrıca, ciddi ve ani kavram kayması içeren akışlardan kaçının; bu, temel Online Boosting'de yerleşik olmayan açık kayma tespiti sıfırlama mekanizmaları gerektirebilir.
Güçlü yönler & sınırlılıklar
- Her örneği tam olarak bir kez işler, bu da onu yüksek hızlı veya bellek kısıtlı veri akışları için uygun kılar.
- Güçlendirmenin güçlü yanlılık azaltma özelliğini miras alır, zorlu sınıflandırma görevlerinde genellikle çevrimiçi torbalamadan daha iyi performans gösterir.
- Uyarlanabilir yeniden ağırlıklandırma, akışın önceki kısımlarından kaynaklanan hataları düzeltmek için sonraki örneklere izin verir.
- Örnek ağırlıklarının hiperparametre ayarlanmasına gerek yoktur; Poisson yaklaşımı kendi kendini düzenler.
- Artımlı olarak güncellenebilen herhangi bir zayıf öğreniciyle uyumludur, bu da model seçiminde esneklik sağlar.
- Akıştaki etiket gürültüsüne duyarlıdır, çünkü yanlış etiketler Poisson oranının artmasına neden olur ve sonraki öğrenicilerdeki hataları büyütür.
- Açık bir kayma tespiti mekanizmasıyla birleştirilmediği sürece ani kavram kaymasından otomatik olarak kurtulmaz.
- Yığın güçlendirmeden daha az zayıf öğrenici çeşitliliği, çünkü düzeltme için geçmiş örnekler tekrar oynatılamaz.
- Topluluk boyutu M başlangıçta sabittir; akış sırasında öğrenici eklemek veya çıkarmak istikrarsızlığı önlemek için dikkat gerektirir.
SSS
Online Boosting, yığın AdaBoost'tan nasıl farklıdır?
Yığın AdaBoost, birden çok geçişte örnekleme olasılıklarını yeniden ölçeklendirerek eğitim örneklerini yeniden ağırlıklandırır. Online Boosting, her gelen örneği bir zayıf öğrenici zincirinden geçirerek ve her öğrenicinin örneği kaç kez gördüğünü kontrol eden bir Poisson oranını ayarlayarak, geçmiş verileri asla depolamadan veya tekrar oynatmadan bunu yaklaştırır.
Kaç zayıf öğrenici M kullanmalıyım?
Sığ kütükler veya küçük ağaçlar için tipik olarak 10 ile 50 arasında bir M değeri kullanılır. Daha fazla öğrenici yanlılığı azaltır ancak çıkarım gecikmesini artırır. Dağıtmadan önce temsili bir veri diliminde önsel değerlendirme kullanarak M'yi ayarlayın.
Online Boosting, kavram kaymasına karşı dayanıklı mıdır?
Temel Online Boosting, kavram kaymasını açıkça algılamaz veya yanıt vermez. Kaydırılan akışlar için, kayma algılandığında topluluğun kısmi veya tam sıfırlanmasını tetikleyen ADWIN veya DDM gibi bir kayma tespit algoritmasıyla eşleştirin.
Ne zaman Online Bagging yerine Online Boosting'i tercih etmeliyim?
Akış önemli miktarda etiket gürültüsü içerdiğinde, Online Bagging daha dayanıklıdır çünkü güçlendirmenin yaptığı gibi zor (muhtemelen yanlış etiketlenmiş) örneklerin etkisini büyütmez. Akış nispeten temiz olduğunda ve maksimum doğruluk istediğinizde Online Boosting tercih edilir.
Bir akış modelini ayrı bir test kümesi olmadan değerlendirebilir miyim?
Evet. Önsel (test et-sonra eğit) değerlendirmeyi kullanın: her gelen örneği modeli güncellemeden önce tahmin edin ve bu tahminleri kümülatif bir çalışan doğruluk veya F1'e biriktirin. Bu, gereken tutulmuş veri olmadan tarafsız bir performans tahmini sağlar.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Boosting (Streaming Ensemble Boosting). ScholarGate. https://scholargate.app/tr/machine-learning/online-boosting
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Çevrimiçi TorbalamaMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Online Random Forest (Çevrimiçi Rastgele Orman)Makine öğrenmesi↔ karşılaştır
- Yarı denetimli BoostingMakine öğrenmesi↔ karşılaştır