Online Random Forest (Çevrimiçi Rastgele Orman)
Online Random Forest (Incremental Ensemble of Decision Trees) · Ayrıca şöyle bilinir: ORF, streaming random forest, incremental random forest, adaptive random forest
Online Random Forest (ORF), klasik Rastgele Orman'ı akış ortamlarına genişleterek, tam eğitim kümesini depolamadan veya yeniden oynatmadan her yeni gözlem geldiğinde her ağacı artımlı olarak günceller. Adaptive Random Forests (ARF) gibi algoritmalar, veri dağılımı zamanla değiştiğinde topluluğun uyum sağlaması için sapma tespiti ekler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+2 tane daha
Ne zaman kullanılır
Veri sürekli veya bellekte tutulamayacak kadar büyük yığınlar halinde geliyorsa, kavram sapmasının olası olduğu durumlarda (örneğin, finansal akışlar, sensör ağları, kullanıcı davranışı günlükleri) veya tam veri kümesi mevcut olmadan düşük gecikmeli tahminler gerekiyorsa Online Random Forest'ı kullanın. Etiketli verilerin zamanla az az geldiği uygulamalar için de doğal bir uyumdur. Tüm veri kümesinin belleğe rahatça sığdığı ve yeniden eğitimin uygun olduğu durumlarda bundan kaçının — bu durumda çevrimdışı eğitilmiş standart bir Rastgele Orman genellikle daha doğru ve doğrulanması daha kolay olacaktır. Ayrıca, kararlı, tekrarlanabilir özellik önem sıralamaları gerekiyorsa bundan kaçının, çünkü çevrimiçi ormanlar yığın eşdeğerlerinden daha az kararlı önem tahminleri üretir.
Güçlü yönler & sınırlılıklar
- Ağaç başına sabit bellek ile akış verilerinden öğrenir, akış uzunluğundan bağımsızdır.
- ADWIN gibi sapma tespit mekanizmalarıyla eşleştirildiğinde kavram sapmasına uyum sağlar.
- Çevrimiçi bir ortamda bile topluluk toplama işleminin varyans azaltma faydalarından yararlanır.
- İlk birkaç gözlemden itibaren kullanılabilir tahminler sağlar, zamanla iyileşir.
- Tüm geçmiş veri kümesini depolamaya veya yeniden oynatmaya gerek yoktur.
- Seyrek verilerle erken yapılan bölünme kararları optimal olmayabilir ve revize edilmesi zor olabilir.
- Özellik önem tahminleri, yığın Rastgele Orman'a göre daha az kararlıdır.
- Hiperparametre ayarı (ağaç sayısı, sapma tespit eşikleri) bir akış bağlamında daha karmaşıktır.
- Değerlendirme, standart çapraz doğrulamadan farklı olan özel akış tabanlı protokoller (önsel/test-önce-eğit) gerektirir.
SSS
Online Random Forest, standart Random Forest'tan nasıl farklıdır?
Standart Random Forest, tüm ağaçları bootstrap örneklemesi kullanarak tam veri kümesi üzerinde aynı anda eğitir. Online Random Forest, yığın bootstrap'i Poisson ağırlıklı çevrimiçi torbalama ile değiştirir, her gözlem geldiğinde ağaç bölünmelerini artımlı olarak günceller ve isteğe bağlı olarak kavram sapmasını tespit eder ve buna uyum sağlar — tümü geçmiş verileri depolamadan.
Poisson ağırlıklandırma hilesi nedir?
Gelen her örnek, her ağaca Poisson(1)'den çekilen k kez gösterilir. k'nın beklenen değeri 1 olduğundan ve k olasılıkla ~%37 oranında 0 olduğundan, bu istatistiksel olarak tüm veri kümesini bellekte tutmaya gerek kalmadan bootstrap sürecini (yerine koyarak örnekleme) yaklaştırır.
Bir çevrimiçi rastgele ormanı nasıl değerlendirmeliyim?
Önsel (test-önce-eğit) protokolünü kullanın: gelen her gözlem için önce mevcut modelle tahmin yapın, hatayı kaydedin, ardından modeli güncelleyin. Bu, veri sızıntısı olmadan tahmin performansı için tarafsız, zamansal olarak sıralanmış bir tahmin sağlar.
Ne zaman sapma tespiti eklemeliyim?
Veri üretim sürecinin zamanla değişmesi muhtemel olduğunda — örneğin, kullanıcı tercihleri, finansal piyasalar veya aşınan mekanik sistemler. Sapma tespiti olmadan, güncelliğini yitirmiş ağaçlar birikir ve topluluk doğruluğunu düşürür. ADWIN, yaygın, iyi test edilmiş bir seçimdir.
Adaptive Random Forest aynı şey mi?
ARF, Online Random Forest'ın en yaygın benimsenen varyantıdır. Çevrimiçi torbalama, rastgele özellik seçimi ve ağaç başına ADWIN sapma tespitini birleştirir ve MOA ve scikit-multiflow/River kütüphanelerinde mevcuttur. 'Online Random Forest' terimi genellikle aileye genel olarak atıfta bulunur; ARF, özel, şiddetle tavsiye edilen bir uygulamadır.
Kaynaklar
- Saffari, A., Leistner, C., Santner, J., Godec, M., & Bischof, H. (2009). On-line random forests. In Proceedings of the 3rd IEEE International Workshop on On-Line Learning for Computer Vision (OLCV 2009), pp. 1–8. IEEE. link ↗
- Gomes, H. M., Bifet, A., Read, J., Barddal, J. P., Enembreck, F., Pfharinger, B., Holmes, G., & Abdessalem, T. (2017). Adaptive random forests for evolving data stream classification. Machine Learning, 106(9), 1469–1495. DOI: 10.1007/s10994-017-5642-8 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Random Forest (Incremental Ensemble of Decision Trees). ScholarGate. https://scholargate.app/tr/machine-learning/online-random-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çevrimiçi TorbalamaMakine öğrenmesi↔ karşılaştır
- Çevrimiçi Karar AğacıMakine öğrenmesi↔ karşılaştır
- Online Gradient BoostingMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yarı Denetimli Rastgele OrmanMakine öğrenmesi↔ karşılaştır