Öz Denetimli Karar Ağacı
Self-supervised Decision Tree Learning · Ayrıca şöyle bilinir: SSL decision tree, self-supervised tree classifier, pseudo-label decision tree, unsupervised-guided decision tree
Öz denetimli karar ağacı öğrenimi, klasik karar ağaçlarının yorumlanabilirliğini, öz denetimli öncül görevler aracılığıyla büyük miktarlarda etiketlenmemiş veriden yararlanma yeteneğiyle birleştirir. Model, küçük bir etiketli küme üzerinde tahminleri iyileştirmeden önce etiketlenmemiş örneklerden faydalı özellik temsilleri veya düğüm bölme kriterleri öğrenir ve böylece tamamen denetimli ağaçlar ile tamamen denetimsiz kümeleme arasındaki boşluğu doldurur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketli eğitim örneklerinin az olduğu ancak aynı dağılımdan büyük bir etiketlenmemiş havuzun mevcut olduğu ve bir dereceye kadar yorumlanabilirliğin hala gerekli olduğu durumlarda (derin sinir ağları yaklaşımlarını eleyerek) önerilir. Ayrıca, alan uzmanlarının tahmin hedefiyle uyumlu anlamlı öncül görevler tasarlayabildiği durumlarda da uygundur. Etiketli küme zaten büyük olduğunda (standart denetimli ağaçlar performansı eşleştirecek veya aşacaktır), etiketlenmemiş veriler farklı bir dağılımdan geldiğinde veya tablo karşılaştırmalarında maksimum tahmin doğruluğu tek endişe olduğunda (gradyan yükseltme genellikle onu geride bırakacaktır) uygun değildir.
Güçlü yönler & sınırlılıklar
- Etiketli örnekler az olduğunda genellemeyi iyileştirmek için bol miktarda etiketlenmemiş veriden yararlanır.
- Karar ağaçlarının yorumlanabilirliğini korur: bölmeler insan tarafından okunabilir ve denetlenebilir kalır.
- Alan bilgisine göre uyarlanmış çeşitli öncül görevleri barındıran esnek çerçeve.
- Ağaç tabanlı tahminlerin şeffaf doğasından ödün vermeden etiketleme maliyetini azaltır.
- Daha fazla doğruluk kazancı için topluluk uzantılarıyla (rastgele orman, yükseltme) uyumludur.
- Performans, öncül görev tasarımına duyarlıdır; kötü seçilmiş bir görev ağaç yapısını yanıltabilir.
- Etiketlenmemiş dağılım etiketli veriden saparsa, sözde etiket gürültüsü bölmeler aracılığıyla birikir.
- Öncül eğitim aşaması nedeniyle hesaplama maliyeti standart denetimli ağaçlardan daha yüksektir.
- Sözde etiket kalitesi ve yakınsama üzerindeki teorik garantiler, tamamen denetimli ağaçlara göre daha az belirlenmiştir.
SSS
Bu, karar ağaçlarıyla yarı denetimli öğrenmeden nasıl farklıdır?
Yarı denetimli yaklaşımlar genellikle etiketleri etiketli düğümlerden etiketlenmemiş düğümlere doğrudan yayar. Öz denetimli karar ağaçları, herhangi bir aşağı akış etiketi görülmeden önce ağaca daha zengin yapısal rehberlik sağlayan, yalnızca etiketlenmemiş veriden sentetik denetleyici sinyaller üreten bir öncül görev tanımlar.
Hangi öncül görevi seçmeliyim?
En iyi öncül görev, aşağı akış hedefini yansıtır. Tablo sınıflandırması için, k-means küme tahmini veya maskelenmiş özellik yeniden yapılandırması yaygın başlangıç noktalarıdır. Alan bilgisi mevcutsa — örneğin, zaman serisi satırlarındaki zamansal sıra — bu yapıyı kullanan bir görev daha iyi aktarılacaktır.
Bu, regresyon hedefleri için çalışır mı?
Evet. Sözde etiketler sürekli küme merkezleri veya yeniden yapılandırılmış özellik değerleri olabilir ve ağaç, ince ayar aşamasında ortalama kare hata kriteriyle büyütülebilir. Öncül görevin sadece sürekli sonuçla ilişkili bir sinyal üretmesi gerekir.
Bunu rastgele ormanlar veya yükseltme ile birleştirebilir miyim?
Evet. Topluluktaki her ağaç, öz denetimli prosedürle bağımsız olarak büyütülebilir ve nihai topluluk, oylarını veya tahminlerini olağan şekilde birleştirir. Bu, bireysel ağaç düzeyinde yorumlanabilirliği korurken, gradyan yükseltmeye karşı doğruluk farkının çoğunu genellikle geri kazandırır.
Sözde etiket kalitesini nasıl değerlendiririm?
İnce ayardan önce, küçük etiketli alt küme üzerindeki sözde etiket doğruluğunu gerçek etiketlerle karşılaştırın. Bu ayrılmış etiketli kümede %70'in altında bir sözde etiket doğruluğu, öncül görevin kötü hizalandığına veya dağılımsal kaymanın mevcut olduğuna dair bir uyarı işaretidir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Self-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/tr/machine-learning/self-supervised-decision-tree
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Etiket YayılımıMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır