Yığma (Stacking)
Stacked Generalization (Stacking Ensemble with a Meta-Learner) · Ayrıca şöyle bilinir: Stacking (Yığınlama — Meta-Öğrenme), stacked generalization, meta-learning ensemble, super learner, yığınlama
Yığma veya yığılmış genelleme (stacked generalization), David Wolpert tarafından 1992 yılında tanıtılan ve birkaç farklı temel modelin (Seviye-0) çıktılarını ayrı bir meta-model (Seviye-1) aracılığıyla birleştiren bir topluluk yöntemidir. Torbalama (bagging) ve güçlendirmeden (boosting) farklı olarak, kasıtlı olarak heterojen model türleri kullanır ve Kaggle yarışmalarında standart son aşama stratejisidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+6 tane daha
Ne zaman kullanılır
Tahmin doğruluğu öncelik olduğunda ve sürekli, kategorik veya ikili özelliklere sahip kesitsel veriler üzerinde birleştirilecek makul derecede güçlü, çeşitli temel modellere ve en az yaklaşık 100 gözleme sahip olduğunuzda yığma kullanın. Normal dağılımlı veri gerektirmez. Yaklaşık 100 gözlemin altında k-kat çapraz doğrulama yeterince güvenilir Seviye-0 tahmini üretemez ve meta-model aşırı uyum sağlar, bu nedenle rastgele orman veya XGBoost gibi tek bir ayarlanmış model daha güvenlidir.
Güçlü yönler & sınırlılıklar
- Farklı hatalar yapan heterojen temel modelleri kullanarak genellikle en yüksek tahmin doğruluğunu elde eder.
- Esnektir: herhangi bir model ailesi karışımı, üzerinde basit bir meta-model ile temel öğrenici olarak hizmet edebilir.
- Varsayım gereksinimi azdır; normallik gereksinimi yoktur ve sürekli, kategorik ve ikili özellikleri işler.
- Kaggle gibi rekabetçi tahmin ortamlarında kanıtlanmış son aşama stratejisidir.
- k-kat çapraz doğrulamanın güvenilir Seviye-0 tahminleri üretebilmesi için oldukça büyük bir örneklem (yaklaşık 100+) gerektirir.
- Temel modeller çeşitli olmak yerine yüksek oranda ilişkili olduğunda kazançlar azalır.
- Tek bir modele göre daha karmaşık ve hesaplama açısından daha yoğundur ve bir bütün olarak yorumlanması daha zordur.
- Küçük örneklemlerde temel modellerin çeşitliliği sağlanamaz ve genellikle tek bir model yeterlidir.
SSS
Yığma, torbalama ve güçlendirmeden nasıl farklıdır?
Torbalama ve güçlendirme aynı türden birçok model oluştururken, yığma kasıtlı olarak heterojen model ailelerini birleştirir ve bunları ayrı bir meta-model ile nasıl harmanlayacağını öğrenir. Yığmanın avantajı bu çeşitlilikten gelir.
Meta-özellikleri oluşturmak için neden çapraz doğrulama kullanılmalı?
Meta-model, temel modellerin kendi eğitim verileri üzerinde yaptığı tahminler üzerinde eğitilirse, bilgi sızar ve yığma aşırı uyum sağlar. k-kat çapraz doğrulama yoluyla kat dışı Seviye-0 tahminleri üretmek, meta-modele dürüst girdiler sağlar.
Meta-model ne olmalı?
Basit tutun; lojistik regresyon, ridge regresyon veya küçük bir XGBoost. Basit bir meta-öğrenici, temel model çıktılarına aşırı uyum sağlamadan makul harmanlama ağırlıkları öğrenir.
Ne zaman yığma kullanmamalıyım?
Yaklaşık 100'den az gözleminiz olduğunda, çapraz doğrulama yeterince güvenilir Seviye-0 tahmini üretemez ve temel model çeşitliliğini elde etmek zordur, bu nedenle tek bir ayarlanmış rastgele orman veya XGBoost daha güvenli bir seçimdir.
Kaynaklar
- Wolpert, D.H. (1992). Stacked Generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- van der Laan, M.J., Polley, E.C. & Hubbard, A.E. (2007). Super Learner. Statistical Applications in Genetics and Molecular Biology, 6(1), Article 25. DOI: 10.2202/1544-6115.1309 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Stacked Generalization (Stacking Ensemble with a Meta-Learner). ScholarGate. https://scholargate.app/tr/machine-learning/stacking-ensemble
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır