Yarı denetimli Oylama Topluluğu
Semi-supervised Voting Ensemble (Agreement-based Multi-classifier with Unlabeled Data) · Ayrıca şöyle bilinir: semi-supervised majority vote, SSL voting ensemble, co-training voting classifier, semi-supervised multi-classifier voting
Bir yarı denetimli oylama topluluğu, küçük etiketli bir küme üzerinde birden çok sınıflandırıcı eğitir, ardından sınıflandırıcıların üzerinde anlaştıkları örnekleri etiketleyerek etiketlenmemiş verileri yinelemeli olarak kullanır, tüm sınıflandırıcılar test örnekleri üzerinde ortaklaşa oy kullanana kadar eğitim havuzunu genişletir. Yarı denetimli öğrenmenin etiket verimliliğini çoğunluk oyu topluluklarının varyans azaltmasıyla birleştirir, bu da etiketlemenin maliyetli olduğu durumlarda değerli 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
Etiketli verinin kıt ve etiketlenmemiş verinin bol olduğu durumlarda kullanın - örneğin, etiketlemenin maliyetli olduğu metin sınıflandırma, tıbbi görüntüleme veya uzaktan algılama. Yöntem, en az iki farklı temel sınıflandırıcıya sahip sınıflandırma görevleri ve yaklaşık 1:5 veya daha yüksek etiketli-etiketlenmemiş oranı için uygundur. Etiketlenmemiş veri de kıtsa, etiketli küme onsuz iyi eğitim verecek kadar büyükse, temel sınıflandırıcılar çok benzerse (anlaşma önemsiz derecede yüksek ve bilgilendirici olmayacaktır) veya etiketlenmemiş havuzdaki sınıf dengesi etiketli kümeden büyük ölçüde farklıysa (sözde etiketler sistematik olarak yanlı olacaktır) uygulamayın.
Güçlü yönler & sınırlılıklar
- Etiketler pahalı veya nadir olduğunda doğruluk oranını artırmak için ucuz etiketlenmemiş verilerden yararlanır.
- Anlaşmaya dayalı sözde etiketleme, naif kendi kendine eğitime göre daha iyi performans gösteren doğal bir gürültü filtresi görevi görür.
- Çoğunluk oylaması, sınıflandırıcı varyansını azaltır ve herhangi bir tek yarı denetimli modelden daha kararlı tahminler sağlar.
- Esnek: algoritma ailesinden bağımsız olarak herhangi bir temel sınıflandırıcı kombinasyonuyla uyumludur.
- Her sınıflandırıcının farklı bir özellik alt kümesi kullanabileceği çoklu görünüm ayarları için doğal olarak uygundur.
- Temel sınıflandırıcılar arasında gerçek çeşitlilik gerektirir; benzer öğreniciler hatalarını birbirlerinin hatalarını güçlendirir.
- Etiketlenmemiş veri dağılımı etiketli kümeden farklıysa, sözde etiket kalitesi bozulur.
- Yinelemeli yeniden eğitim, özellikle büyük etiketlenmemiş havuzlar ve karmaşık temel modellerle hesaplama açısından pahalıdır.
- Güven eşikleri ve yineleme sayısı, ayar gerektiren hassas hiper parametrelerdir.
- Teori sınırlı garantiler sunar; ampirik performans veri kümeleri arasında önemli ölçüde değişiklik gösterir.
SSS
Etiketlenmiş bileşik deneylerinin maliyetli olduğu ilaç keşfi ve biyoinformatik görevleri.
Oylama topluluğunda kaç sınıflandırıcıya ihtiyacım var?
Ortak eğitim tarzı anlaşma için en az ikisi gereklidir ve düzgün bir çoğunluk oyu için üçü minimumdur. Daha fazla sınıflandırıcı sağlamlığı artırır ancak hesaplamayı artırır. Üç ila yedi farklı sınıflandırıcı pratik bir aralıktır.
Etiketlenmemiş verilerin etiketli verilerden farklı bir sınıf dağılımı varsa ne olur?
Sözde etiketler, etiketlenmemiş havuzdaki çoğunluk sınıfına doğru yanlı olacaktır, bu da nihai modeli bozabilir. Dağılımsal kaymadan şüpheleniyorsanız, sınıf dengesi izlemeyi uygulayın ve sözde etiketlenmiş örneklerin yeniden ağırlıklandırılmasını düşünün.
Sözde etiketleme için güven eşiğini nasıl seçerim?
Muhafazakar başlayın - örneğin, tüm sınıflandırıcılar arasında tam anlaşma gerektirerek - ve yalnızca çok az örnek sözde etiketleniyorsa eşiği gevşetin. Küçük bir tutulan etiketli doğrulama kümesinde eşik seçimlerini doğrulayın.
Sert çoğunluk oyuna göre yumuşak oylama daha mı iyi?
Yumuşak oylama (tahmin edilen olasılıkların ortalamasını alma) genellikle daha iyi kalibre edilmiş tahminler sağlar ve iyi kalibre edilmiş olasılıklar veren sınıflandırıcılar için tercih edilir. Sert oylama daha basittir ve sınıflandırıcılar iyi kalibre edilmediğinde daha sağlamdır.
Standart kendi kendine eğitimden nasıl farklıdır?
Kaynaklar
- Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541. DOI: 10.1109/TKDE.2005.186 ↗
- Blum, A., & Mitchell, T. (1998). Combining labeled and unlabeled data with co-training. Proceedings of the 11th Annual Conference on Computational Learning Theory (COLT), 92–100. DOI: 10.1145/279943.279962 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Voting Ensemble (Agreement-based Multi-classifier with Unlabeled Data). ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-voting-ensemble
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Torbalama (Semi-supervised Bagging)Makine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Oy Birliği TopluluğuMakine öğrenmesi↔ karşılaştır