Ancak ili\u015fki daha karma\u015f\u0131k oldu\u011funda s\u0131kl\u0131kla do\u011frusal olmayan y\u00f6ntemlere ba\u015fvurmak zorunda kal\u0131r\u0131z.<\/span><\/p>\n B\u00f6yle bir y\u00f6ntem, bir yan\u0131t de\u011fi\u015fkeninin de\u011ferini tahmin eden karar<\/em> a\u011fa\u00e7lar\u0131 olu\u015fturmak i\u00e7in bir dizi tahmin de\u011fi\u015fkeni kullanan s\u0131n\u0131fland\u0131rma ve regresyon a\u011fa\u00e7lar\u0131d\u0131r<\/a> (genellikle CART olarak k\u0131salt\u0131l\u0131r).<\/span> <\/p>\n Ancak CART modellerinin dezavantaj\u0131 y\u00fcksek varyanstan<\/a> muzdarip olmalar\u0131d\u0131r. Yani, bir veri k\u00fcmesini ikiye b\u00f6l\u00fcp her iki yar\u0131ya da bir karar a\u011fac\u0131 uygularsak sonu\u00e7lar \u00e7ok farkl\u0131 olabilir.<\/span><\/p>\n CART modellerinin varyans\u0131n\u0131 azaltmak i\u00e7in kullanabilece\u011fimiz y\u00f6ntemlerden biri, bazen \u00f6ny\u00fckleme toplama<\/em> olarak da adland\u0131r\u0131lan torbalama<\/strong> olarak bilinir.<\/span><\/p>\n Tek bir karar a\u011fac\u0131 olu\u015fturdu\u011fumuzda modeli olu\u015fturmak i\u00e7in yaln\u0131zca bir dizi e\u011fitim verisi kullan\u0131r\u0131z.<\/span><\/p>\n Ancak torbalama<\/strong> a\u015fa\u011f\u0131daki y\u00f6ntemi kullan\u0131r:<\/span><\/p>\n 1.<\/strong> Orijinal veri k\u00fcmesinden b<\/em> \u00f6ny\u00fcklemeli \u00f6rnek al\u0131n.<\/span><\/p>\n 2.<\/strong> Her \u00f6ny\u00fckleme \u00f6rne\u011fi i\u00e7in bir karar a\u011fac\u0131 olu\u015fturun.<\/span><\/p>\n 3.<\/strong> Nihai bir model elde etmek i\u00e7in her a\u011fa\u00e7tan elde edilen tahminlerin ortalamas\u0131n\u0131 al\u0131n.<\/span><\/p>\n Torbalama herhangi bir makine \u00f6\u011frenimi algoritmas\u0131yla kullan\u0131labilir, ancak do\u011fas\u0131 gere\u011fi y\u00fcksek varyansa sahip oldu\u011fundan ve torbalama varyans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azaltarak test hatalar\u0131n\u0131n azalmas\u0131na neden oldu\u011fundan karar a\u011fa\u00e7lar\u0131 i\u00e7in \u00f6zellikle kullan\u0131\u015fl\u0131d\u0131r.<\/span><\/p>\n Karar a\u011fa\u00e7lar\u0131na torbalama uygulamak i\u00e7in, a\u011fa\u00e7lar\u0131 budamadan derinlemesine b\u00fcy\u00fct\u00fcyoruz<\/em> . Bu, y\u00fcksek varyansa sahip ancak d\u00fc\u015f\u00fck yanl\u0131l\u0131\u011fa sahip bireysel a\u011fa\u00e7larla sonu\u00e7lan\u0131r. Daha sonra bu a\u011fa\u00e7lardan ortalama tahminleri ald\u0131\u011f\u0131m\u0131zda varyans\u0131 azaltabiliyoruz.<\/span><\/p>\n Uygulamada, optimum performansa genellikle 50 ila 500 a\u011fa\u00e7la ula\u015f\u0131l\u0131r, ancak nihai bir model olu\u015fturmak i\u00e7in binlerce a\u011fac\u0131n s\u0131\u011fd\u0131r\u0131lmas\u0131 da m\u00fcmk\u00fcnd\u00fcr.<\/span><\/p>\n Daha fazla a\u011fa\u00e7 yerle\u015ftirmenin daha fazla bilgi i\u015flem g\u00fcc\u00fc gerektirece\u011fini unutmay\u0131n; bu da veri k\u00fcmesinin boyutuna ba\u011fl\u0131 olarak sorun olabilir veya olmayabilir.<\/span><\/p>\n Torbal\u0131 bir modelin test hatas\u0131n\u0131 k-katl\u0131 \u00e7apraz do\u011frulamaya<\/a> g\u00fcvenmeden hesaplayabildi\u011fimiz ortaya \u00e7\u0131kt\u0131.<\/span><\/p>\n Bunun nedeni, her \u00f6ny\u00fckleme \u00f6rne\u011finin, orijinal veri k\u00fcmesindeki g\u00f6zlemlerin yakla\u015f\u0131k 2\/3’\u00fcn\u00fc i\u00e7erdi\u011finin g\u00f6sterilebilmesidir. Torbal\u0131 a\u011faca s\u0131\u011fd\u0131rmak i\u00e7in kullan\u0131lmayan g\u00f6zlemlerin geri kalan \u00fc\u00e7te birine torba d\u0131\u015f\u0131 (OOB) g\u00f6zlemler<\/strong> denir.<\/span><\/p>\n Orijinal veri setindeki i’inci g\u00f6zlemin de\u011ferini, o g\u00f6zlemin OOB oldu\u011fu a\u011fa\u00e7lar\u0131n her birinden ortalama tahmin alarak tahmin edebiliriz.<\/span><\/p>\n Bu yakla\u015f\u0131m\u0131, orijinal veri setindeki t\u00fcm n<\/em> g\u00f6zlemler i\u00e7in bir tahminde bulunmak ve b\u00f6ylece test hatas\u0131n\u0131n ge\u00e7erli bir tahmini olan bir hata oran\u0131n\u0131 hesaplamak i\u00e7in kullanabiliriz.<\/span><\/p>\n Test hatas\u0131n\u0131 tahmin etmek i\u00e7in bu yakla\u015f\u0131m\u0131 kullanman\u0131n avantaj\u0131, \u00f6zellikle veri k\u00fcmesi b\u00fcy\u00fck oldu\u011funda k-katl\u0131 \u00e7apraz do\u011frulamadan \u00e7ok daha h\u0131zl\u0131 olmas\u0131d\u0131r.<\/span><\/p>\n Karar a\u011fa\u00e7lar\u0131n\u0131n avantajlar\u0131ndan birinin yorumlanmas\u0131n\u0131n ve g\u00f6rselle\u015ftirilmesinin kolay olmas\u0131 oldu\u011funu unutmay\u0131n.<\/span><\/p>\n Bunun yerine torbalamay\u0131 kulland\u0131\u011f\u0131m\u0131zda, son torbalanm\u0131\u015f model bir\u00e7ok farkl\u0131 a\u011fac\u0131n ortalamas\u0131n\u0131n al\u0131nmas\u0131n\u0131n sonucu oldu\u011fundan art\u0131k tek bir a\u011fac\u0131 yorumlayam\u0131yor veya g\u00f6rselle\u015ftiremiyoruz. Yorumlanabilirlik pahas\u0131na tahmin do\u011frulu\u011fu elde ediyoruz.<\/span><\/p>\n Bununla birlikte, t\u00fcm B-<\/em> a\u011fa\u00e7lar\u0131 \u00fczerinden ortalamas\u0131 al\u0131nan belirli bir \u00f6ng\u00f6r\u00fcc\u00fc \u00fczerindeki da\u011f\u0131l\u0131ma ba\u011fl\u0131 olarak RSS’deki toplam azalmay\u0131 (art\u0131k kareler toplam\u0131) hesaplayarak her bir yorday\u0131c\u0131 de\u011fi\u015fkenin \u00f6nemini hala anlayabiliriz. De\u011fer ne kadar b\u00fcy\u00fck olursa, tahmin edicinin \u00f6nemi de o kadar artar.<\/span> <\/p>\n Benzer \u015fekilde, s\u0131n\u0131fland\u0131rma modelleri i\u00e7in, t\u00fcm B<\/em> a\u011fa\u00e7lar\u0131n\u0131n ortalamas\u0131 al\u0131narak, belirli bir \u00f6ng\u00f6r\u00fcc\u00fc \u00fczerindeki da\u011f\u0131l\u0131ma ba\u011fl\u0131 olarak toplam Gini endeksi azalmas\u0131n\u0131 hesaplayabiliriz. De\u011fer ne kadar b\u00fcy\u00fck olursa, tahmin edici o kadar \u00f6nemli olur.<\/span><\/p>\n Dolay\u0131s\u0131yla, nihai genel modeli tam olarak yorumlayamasak da, yan\u0131t\u0131 tahmin ederken her bir yorday\u0131c\u0131 de\u011fi\u015fkenin ne kadar \u00f6nemli oldu\u011funa dair bir fikir edinebiliriz.<\/span><\/p>\n Torbalaman\u0131n avantaj\u0131, tek bir karar a\u011fac\u0131na k\u0131yasla genellikle test hata oran\u0131nda bir iyile\u015fme sa\u011flamas\u0131d\u0131r.<\/span><\/p>\n Dezavantaj\u0131 ise, veri k\u00fcmesinde \u00e7ok g\u00fc\u00e7l\u00fc bir \u00f6ng\u00f6r\u00fcc\u00fc varsa, torbalanm\u0131\u015f a\u011fa\u00e7 koleksiyonundan elde edilen tahminlerin y\u00fcksek d\u00fczeyde korelasyonlu olabilmesidir.<\/span><\/p>\n Bu durumda, torbalanm\u0131\u015f a\u011fa\u00e7lar\u0131n \u00e7o\u011fu veya t\u00fcm\u00fc, ilk b\u00f6l\u00fcnme i\u00e7in bu \u00f6ng\u00f6r\u00fcc\u00fcy\u00fc kullanacak ve sonu\u00e7ta birbirine benzer ve y\u00fcksek d\u00fczeyde korelasyonlu tahminlere sahip a\u011fa\u00e7lar elde edilecektir.<\/span><\/p>\n Bu sorunu \u00e7\u00f6zmenin bir yolu, torbalamaya benzer bir y\u00f6ntem kullanan ancak dekore edilmi\u015f a\u011fa\u00e7lar \u00fcretme kapasitesine sahip olan ve genellikle daha d\u00fc\u015f\u00fck test hata oranlar\u0131na yol a\u00e7an rastgele ormanlar\u0131n kullan\u0131lmas\u0131d\u0131r.<\/span><\/p>\n Rastgele ormanlara ili\u015fkin basit bir giri\u015fi buradan<\/a> okuyabilirsiniz.<\/span><\/p>\n S\u0131n\u0131fland\u0131rma ve regresyon a\u011fa\u00e7lar\u0131na giri\u015f<\/a> Bir dizi yorday\u0131c\u0131 de\u011fi\u015fken ile bir yan\u0131t de\u011fi\u015fkeni aras\u0131ndaki ili\u015fki do\u011frusal oldu\u011funda, de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiyi modellemek i\u00e7in \u00e7oklu do\u011frusal regresyon gibi y\u00f6ntemleri kullanabiliriz. Ancak ili\u015fki daha karma\u015f\u0131k oldu\u011funda s\u0131kl\u0131kla do\u011frusal olmayan y\u00f6ntemlere ba\u015fvurmak zorunda kal\u0131r\u0131z. B\u00f6yle bir y\u00f6ntem, bir yan\u0131t de\u011fi\u015fkeninin de\u011ferini tahmin eden karar a\u011fa\u00e7lar\u0131 olu\u015fturmak i\u00e7in bir dizi tahmin de\u011fi\u015fkeni kullanan s\u0131n\u0131fland\u0131rma ve […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1221","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre3.png\")
Torbalama nedir?<\/strong><\/span><\/h3>\n
\n
\n
Torba d\u0131\u015f\u0131 hatalar\u0131n tahmini<\/strong><\/span><\/h3>\n
Tahmincilerin \u00f6nemini anlamak<\/strong><\/span><\/h3>\n
![\"Torbalama](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/sac1.png\")
Torbalaman\u0131n \u00f6tesine ge\u00e7in<\/strong><\/span><\/h3>\n
Ek kaynaklar<\/strong><\/span><\/h3>\n
R’de Torbalama Nas\u0131l Yap\u0131l\u0131r (Ad\u0131m Ad\u0131m)<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"