Çevrimiçi Karar Ağacı
Online Decision Tree (Incremental / Streaming Decision Tree Learning) · Ayrıca şöyle bilinir: Hoeffding Tree, VFDT, Very Fast Decision Tree, incremental decision tree
Bir Çevrimiçi Karar Ağacı, geçmiş örnekleri tekrar ziyaret etmeden sürekli bir veri akışından artımlı olarak büyüyen bir karar ağacıdır. Baskın algoritma olan Hoeffding Ağacı (VFDT), bir düğümde yeterli sayıda örnek görüldüğünde güvenle bölüneceğini belirlemek için Hoeffding sınırını kullanır ve potansiyel olarak sonsuz veri akışlarında ölçeklenebilir, gerçek zamanlı sınıflandırma sağlar.
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 geldiğinde, tam veri kümesini depolamak hacim veya gizlilik kısıtlamaları nedeniyle mümkün olmadığında veya modelin her yeni gözlemle gerçek zamanlı olarak güncellenmesi gerektiğinde çevrimiçi bir karar ağacı kullanın. IoT sensör akışları, tıklama akışı sınıflandırması, gelişen kalıplara sahip dolandırıcılık tespiti ve kavram sapmasının beklendiği ve modelin sıfırdan yeniden eğitilmeden uyum sağlaması gereken herhangi bir ortam için çok uygundur. Veri kümesinin küçük ve statik olduğu durumlarda kullanmayın — standart bir karar ağacı veya rastgele orman uygulaması daha hızlı ve daha doğru olacaktır. Ayrıca, bölme eşiklerinin zamanla kayabileceğini kabul etmeden, kesin bölme eşiklerinin yorumlanabilirliğinin kritik olduğu durumlardan kaçının.
Güçlü yönler & sınırlılıklar
- Düğüm başına sabit bellek kullanarak tek geçişte veri işler, teorik olarak sonsuz akışlara ölçeklenir.
- Yeterli veri verildiğinde, bölmelerin toplu bir ağacın bölmeleriyle asimptotik olarak aynı olacağına dair teorik güvenceleri Hoeffding sınırı aracılığıyla sağlar.
- Tam yeniden eğitim gerektirmeden durağan olmayan dağılımlara uyum sağlamak için sapma dedektörlerini içerebilir.
- Tam bir veri kümesi gerektiren toplu yöntemlerin aksine, ilk örnekten itibaren kullanılabilir bir model sunar.
- Verilerin pratik olmadığı veya yasal olarak kısıtlı olduğu yüksek işlem hacimli ortamları doğal olarak işler.
- Küçük veri kümelerindeki doğruluk, Hoeffding sınırının erken bölmelerin yapılması için birçok örneğe ihtiyaç duyması nedeniyle genellikle toplu bir karar ağacından daha düşüktür.
- Temel algoritmadaki bölme kararları geri alınamaz; kötü bir erken bölme, açık alt ağaç değiştirme eklenmedikçe kalıcı olabilir.
- Güvenlik parametresi delta ve bölme değerlendirmeleri arasındaki bekleme süresinin ayarlanması alan bilgisi gerektirir.
- Ağacın yorumlanabilirliği, yeni bölmeler eklendikçe zamanla değişir, bu da statik raporlamayı zorlaştırır.
SSS
Hoeffding Ağacı standart bir CART karar ağacından nasıl farklıdır?
Bir CART ağacı, küresel olarak en iyi bölmeyi bulmak için her düğümde tam veri kümesini tarar. Hoeffding Ağacı bunun yerine örneklerin tek tek gelmesini izler ve yalnızca istatistiksel teori, görünen kazananın daha fazla veriyle bile kazanacağını garanti ettiğinde bir bölmeye karar verir — ham örnekleri saklamadan.
Çevrimiçi karar ağacı kavram sapmasını ele alır mı?
Temel Hoeffding Ağacı sapmayı otomatik olarak algılamaz. Kavram Uyumlu Çok Hızlı Karar Ağacı (CVFDT) gibi uzantılar ve ADWIN veya Page-Hinkley sapma dedektörleriyle birleştirilmiş sürümler, sapma tespit edildiğinde güncelliğini yitirmiş alt ağaçları değiştirebilir.
Bekleme süresi nedir ve nasıl ayarlanmalıdır?
Bekleme süresi, ardışık bölme değerlendirmeleri arasında bir yaprağa gelen örnek sayısıdır. Daha büyük bir değer hesaplamayı azaltır ancak bölmeleri geciktirir; daha küçük bir değer daha yüksek CPU maliyetiyle bölmeleri daha sık değerlendirir. Tipik varsayılanlar 200 ila 1000 örnek arasında değişir.
Çevrimiçi karar ağacı küçük, statik veri kümeleri için uygun mudur?
Hayır. Küçük, tam olarak mevcut veri kümeleri için standart bir toplu karar ağacı veya rastgele orman, çok daha az karmaşıklıkla neredeyse her zaman daha iyi doğruluk elde edecektir. Çevrimiçi ağaçlar özellikle akış, büyük ölçekli veya kaynak kısıtlı rejim için tasarlanmıştır.
Sabit bir veri kümesinde toplu yöntemlerle doğruluk nasıl karşılaştırılır?
Yeterli veriyle Hoeffding Ağacı, bir toplu öğrenicinin üreteceği aynı ağaca yakınsar, bu nedenle doğruluk sonunda eşleşir. Akışın başlarında, yapraklar birçok örneği görmeden önce, doğruluk şimdiye kadar görülen aynı veriler üzerinde eğitilmiş bir toplu ağaçtan daha düşüktür.
Kaynaklar
- Domingos, P., & Hulten, G. (2000). Mining very fast data streams. In Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 71–80). ACM. link ↗
- Hulten, G., Spencer, L., & Domingos, P. (2001). Mining time-changing data streams. In Proceedings of the 7th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 97–106). ACM. DOI: 10.1145/502512.502529 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Decision Tree (Incremental / Streaming Decision Tree Learning). ScholarGate. https://scholargate.app/tr/machine-learning/online-decision-tree
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Online Gradient BoostingMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Çevrimiçi Naive BayesMakine öğrenmesi↔ karşılaştır
- Online Random Forest (Çevrimiçi Rastgele Orman)Makine öğrenmesi↔ karşılaştır
- Yarı Denetimli Karar AğacıMakine öğrenmesi↔ karşılaştır