Ağırlıklı topluluk

Ağırlıklı rastgele ormanlar olarak da bilinen ağırlıklı topluluk, bilgisayar programlama ve siber güvenlikte kullanılan bir tür makine öğrenimi tekniğidir. Tahmin doğruluğunu artırmak için birden fazla bireysel karar ağacı veya sınıflandırıcı modelini birleştiren bir topluluk öğrenme tekniğidir.

Ağırlıklı topluluk, genellikle karar ağaçları veya sınıflandırıcılar olmak üzere birden fazla bireysel modeli birleştiren bir topluluk öğrenme türüdür. Bu bireysel modellerin her biri, farklı karar ağaçları veya sınıflandırıcılar oluşturmak için genellikle farklı hiperparametrelerle aynı veriler üzerinde eğitilir. Bireysel modeller daha sonra, her modelin tahminine farklı bir ağırlık verildiği ağırlıklı ortalama yoluyla birleştirilir. Bu ağırlıklı ortalama daha sonra topluluk modelinin nihai tahmini haline gelir.

Ağırlıklı topluluk tipik olarak tek modellerden daha iyi doğruluk sağlar ve özellikle bireysel modellerin farklı güçlü ve zayıf yönleri olduğunda yararlı olabilir. Bu yaklaşım görüntü tanıma, doğal dil işleme, metin kategorizasyonu ve dolandırıcılık tespiti gibi çeşitli görevlerde kullanılmıştır.

Bireysel modeller birbirlerinin tahminlerine aracılık etme eğiliminde olduğundan, ağırlıklı topluluklar aykırı değerlere ve aşırı uyuma karşı da daha sağlamdır. Ayrıca, doğruluğu artırmak için bireysel modeller periyodik olarak veya isteğe bağlı olarak yeniden eğitilebilir.

Ağırlıklı topluluk tekniklerinin birçok uygulama alanında başarılı olduğu kanıtlanmış olsa da, bazı dezavantajları vardır. İlk olarak, bireysel modellere atanan farklı ağırlıklar manuel ayarlama gerektirir ve bu da hesaplama açısından pahalı olabilir. İkinci olarak, bireysel modeller için kullanılan öğrenme algoritmalarının seçimi, topluluk modelinin performansı üzerinde önemli bir etkiye sahip olabilir. Son olarak, topluluk modelinin içerdiği çoklu bileşenler nedeniyle yorumlanması zor olabilir.