Oy Birliği Topluluğu
Voting Ensemble (Majority and Weighted Voting of Multiple Classifiers) · Ayrıca şöyle bilinir: majority voting classifier, hard voting, soft voting ensemble, plurality voting ensemble
Bir oy birliği topluluğu, birkaç farklı sınıflandırıcıyı bağımsız olarak eğitir ve tahminlarını oylama yoluyla birleştirir: sert oylama en çok modelin seçtiği sınıfı seçerken, yumuşak oylama sınıf-olasılık tahminlarını isteğe bağlı olarak model ağırlıklarıyla ortalamasını alır. Kombinasyon genellikle herhangi bir bireysel üyeden daha iyi performans gösterir ve temel modeller takıldıktan sonra ek eğitim gerektirmez.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+24 tane daha
Ne zaman kullanılır
İki veya daha fazla önceden eğitilmiş farklı sınıflandırıcınız olduğunda ve ek eğitim maliyeti olmadan hızlı, yorumlanabilir bir kombinasyon istediğinizde bir oy birliği topluluğu kullanın. Bireysel modeller benzer ortalama doğruluğa ancak farklı hata profillerine sahip olduğunda özellikle değerlidir - bunları birleştirmek gerçek kazanımlar sağlar. Temel modeller kalibre edilmiş olasılıklar yaydığında yumuşak oylama tercih edilir. Düzgün model seçimi yerine oy birliği topluluklarını kullanmayın: tüm temel öğreniciler zayıfsa veya ilişkili hatalar yapıyorsa, bunları birleştirmek yardımcı olmaz. Paydaşlar veya düzenlemeler tarafından tek bir modelin yorumlanabilirliği gerekiyorsa kaçının.
Güçlü yönler & sınırlılıklar
- Uygulaması basittir: temel modellerin takılmasının ötesinde meta-öğrenici eğitimi gerekmez.
- Üyeler farklı olduğunda genellikle herhangi bir tek temel öğreniciden daha iyi doğruluk ve sağlamlık iyileştirir.
- Yumuşak oylama olasılık kalibrasyonundan yararlanır, genellikle sert oylamadan daha iyi performans gösterir.
- Heterojen model ailelerini destekler, sınıflandırıcıların herhangi bir kombinasyonuna izin verir.
- Temel öğrenicileri topluluk altyapısını yeniden eğitmeden eklemek veya kaldırmak kolaydır.
- Temel öğreniciler yüksek oranda ilişkili hatalar yaptığında kazanımlar minimum veya yoktur.
- Yumuşak oylama, tüm temel öğrenicilerin kalibre edilmiş, karşılaştırılabilir olasılık tahminleri yaymasını gerektirir.
- Çıkarım maliyeti, temel öğrenici sayısıyla doğrusal olarak ölçeklenir; büyük topluluklar yavaş olabilir.
- Otomatik olarak optimal kombinasyon ağırlıklarını öğrenmek için mekanizma yoktur - istifleme (stacking) aksine, ağırlıklar manuel olarak ayarlanmalıdır.
SSS
Kaç temel öğrenici dahil etmeliyim?
Sabit bir kural yoktur, ancak üç ila yedi farklı sınıflandırıcı yaygın bir pratik aralıktır. Azalan getiriler noktasının ötesinde daha fazla öğrenici eklemek, doğruluğu anlamlı bir şekilde artırmadan çıkarım gecikmesini artırır.
Yumuşak oylamayı sert oylama yerine ne zaman tercih etmeliyim?
Tüm temel öğreniciler iyi kalibre edilmiş olasılık çıktıları ürettiğinde yumuşak oylama kullanın - genellikle yalnızca kazanan sınıf yerine tam olasılık dağılımını kullandığı için daha yüksek doğruluk sağlar. Olasılıklar kötü kalibre edilmiş veya mevcut değilse, sert oylama daha güvenlidir.
Ağırlıklı yumuşak oylamada ağırlıkları nasıl seçerim?
Basit bir yaklaşım, her modeli eğitim kümesindeki çapraz doğrulanmış doğruluğu veya AUC'si ile ağırlıklandırmaktır. Daha ilkeli yaklaşımlar, tutulan bir doğrulama kümesi aracılığıyla ağırlıkları optimize eder, ancak doğrulama kümesi küçükse aşırı uyum riski taşır.
Oy birliği topluluğu istiflemeden (stacking) nasıl farklıdır?
Oy birliği toplulukları, temel model çıktılarını sabit kurallarla (çoğunluk veya ortalama) birleştirir. İstifleme, optimal kombinasyonu öğrenmek için temel model çıktılarında bir meta-öğrenici eğitir - daha güçlü ancak daha karmaşık ve çapraz doğrulama doğru kullanılmazsa veri sızıntısına eğilimlidir.
Çeşitlilik her zaman topluluğu iyileştirir mi?
Çeşitlilik gereklidir ancak yeterli değildir. Temel öğreniciler de bireysel olarak doğru olmalıdır; zayıf, çeşitli sınıflandırıcıların bir topluluğu hala kötü performans gösterebilir. Amaç, doğru modeller arasında çeşitli hatalardır.
Kaynaklar
- Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8
- Dietterich, T. G. (2000). Ensemble Methods in Machine Learning. In J. Kittler & F. Roli (Eds.), Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science, vol 1857, pp. 1–15. Springer. DOI: 10.1007/3-540-45014-9_1 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Voting Ensemble (Majority and Weighted Voting of Multiple Classifiers). ScholarGate. https://scholargate.app/tr/machine-learning/voting-ensemble
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bagging (Önyükleme Toplama)Makine öğrenmesi↔ karşılaştır
- YükseltmeMakine öğrenmesi↔ karşılaştır
- Ekstra AğaçlarMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yığma (Stacking)Makine öğrenmesi↔ karşılaştır