Yarı denetimli En Yakın Komşular
Semi-supervised K-Nearest Neighbors (Label Propagation via KNN Graph) · Ayrıca şöyle bilinir: SS-KNN, semi-supervised KNN, KNN label propagation, graph-based semi-supervised KNN
Yarı denetimli KNN, klasik K-en yakın komşular algoritmasını, küçük bir etiketli kümenin yanı sıra büyük miktarda etiketsiz veriden yararlanacak şekilde genişletir. Tüm gözlemler üzerinde bir KNN grafiği oluşturarak ve bilinen etiketleri grafın kenarları boyunca yayarak, yöntem her örneğin pahalı manuel etiketlenmesini gerektirmeden etiketsiz noktalar için etiketler çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Küçük bir etiketli kümeniz ve aynı dağılımdan büyük bir etiketsiz havuzunuz olduğunda, veri nispeten düşük boyutlu bir alanda (yaklaşık 50 özellikten az) yaşadığında ve komşu noktaların aynı sınıfa sahip olduğuna inandığınızda yarı denetimli KNN kullanın. Görüntü yaması sınıflandırması, seyrek ek açıklamalarla metin kategorizasyonu ve her örneğin pahalı olduğu tıbbi tarama görevleri için uygundur. Etiketli ve etiketsiz veriler farklı dağılımlardan geldiğinde (kovaryans kayması), özellik uzayı çok yüksek boyutlu olduğunda (KNN grafiği güvenilmez hale gelir), veri kümesi tamamen denetimli KNN'nin zaten yeterli olduğu kadar küçük olduğunda veya sınıf sınırları verinin yerel yoğunluk yapısıyla uyumlu olmadığında bundan kaçının.
Güçlü yönler & sınırlılıklar
- Yalnızca etiketli küme ile mümkün olanın ötesinde doğruluğu iyileştirmek için ucuz etiketsiz verilerden yararlanır.
- Parametrik model varsayımı yok: yalnızca yerel komşuluk geometrisine dayanır.
- Modifikasyon olmadan çok sınıflı problemleri doğal olarak ele alır.
- KNN grafiği oluşturma şeffaftır ve denetlenmesi kolaydır.
- Sınıflar özellik uzayında kompakt, iyi ayrılmış kümeler oluşturduğunda iyi çalışır.
- Yaklaşık en yakın komşu yöntemleri kullanılmadıkça, graf oluşturma veri kümesi boyutuna göre karesel olarak ölçeklenir.
- Mesafe metriklerinin ayırt edici gücünü kaybettiği yüksek boyutlu uzaylarda performans keskin bir şekilde düşer.
- Etiketli ve etiketsiz verilerin aynı dağılımdan çekildiği varsayılır; kovaryans kayması yöntemi bozar.
- k, kenar ağırlığı bant genişliği ve yayılım karıştırma parametresinin dikkatli bir şekilde ayarlanmasını gerektirir.
- Etiket yayılımı, grafın büyük bölümleri boyunca başlangıç etiketleme hatalarını büyütebilir.
SSS
k'yi nasıl seçerim?
5-15 aralığında k ile başlayın ve tutulan etiketli doğrulama doğruluğu ile ayarlayın. Daha küçük k daha keskin, daha yerel sınırlar verir; daha büyük k etiketlerin daha uzağa yayılmasını sağlar ancak gerçek sınıf sınırlarını aşma riski taşır.
Verilerin çoğu etiketsiz olduğunda yöntemi dürüstçe değerlendirebilir miyim?
Grafiğe asla eklenmeyen özel bir etiketli test kümesini ayırın. Grafikteki düğümler — etiketsiz olanlar bile — eğitimin bir parçasıdır, bu nedenle graf oluşturmaya katılan herhangi bir etiketli düğüm test noktası olarak hizmet etmemelidir.
Veri kümem tam bir KNN grafiği oluşturmak için çok büyükse ne olur?
Grafiği O(n^2) yerine O(n log n) sürede oluşturmak için FAISS veya Annoy gibi yaklaşık en yakın komşu kütüphanelerini kullanın, ardından seyrek yaklaşık graf üzerinde etiket yayılımı uygulayın.
Yarı denetimli KNN her zaman denetimli KNN'den daha iyi performans gösterir mi?
Zorunlu değil. Etiketsiz veriler dağıtım dışıysa veya özellik uzayı çok yüksek boyutluysa, graf gürültülüdür ve yayılım performansı düşürebilir. Etiketsiz verilerden bir fayda iddia etmeden önce her zaman denetimli bir KNN taban çizgisine karşı karşılaştırın.
Bu, scikit-learn'deki etiket yayma veya etiket yayılımı ile aynı mı?
Yakından ilgili. Scikit-learn'in LabelPropagation ve LabelSpreading'i, KNN veya RBF çekirdek grafiğini kullanarak Zhu ve Ghahramani'nin çerçevesini uygular, bu nedenle burada açıklanan yöntemin doğrudan uygulamalarıdır.
Kaynaklar
- Zhu, X. & Ghahramani, Z. (2002). Learning from labeled and unlabeled data with label propagation. Technical Report CMU-CALD-02-107, Carnegie Mellon University. link ↗
- Chapelle, O., Scholkopf, B. & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised K-Nearest Neighbors (Label Propagation via KNN Graph). ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-k-nearest-neighbors
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Etiket YayılımıMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Destek Vektör MakinesiMakine öğrenmesi↔ karşılaştır