Gradyan artırma (Gradient Boosting), makine öğrenmesinde kullanılan güçlü bir topluluk öğrenme (ensemble learning) algoritmasıdır. Amacı, birden fazla zayıf öğreniciyi (genellikle karar ağaçları) bir araya getirerek daha güçlü ve doğru bir tahmin modeli oluşturmaktır.
Nasıl Çalışır?
Gradyan artırma aşağıdaki adımları izler:
Başlangıç Tahmini: İlk olarak, tüm veri noktaları için bir başlangıç tahmini yapılır. Bu genellikle ortalama veya medyan gibi basit bir değerdir.
Artıkların (Residuals) Hesaplanması: Gerçek değerler ile başlangıç tahmini arasındaki farklar (artıklar) hesaplanır. Bu artıklar, modelin henüz açıklayamadığı hataları temsil eder.
Zayıf Öğrenici Eğitimi: Bir zayıf öğrenici (örneğin, sığ bir karar ağacı), artıklar üzerinde eğitilir. Bu zayıf öğrenici, hataları tahmin etmeye çalışır.
Model Güncellemesi: Mevcut model, zayıf öğrenicinin tahminleriyle güncellenir. Bu güncelleme, bir öğrenme oranı (learning rate) ile kontrol edilir. Öğrenme oranı, her bir zayıf öğrenicinin model üzerindeki etkisini azaltır ve aşırı uyumu (overfitting) önlemeye yardımcı olur.
Tekrar: 2-4 adımları, belirli bir iterasyon sayısına ulaşılana veya modelin performansı iyileşmeyene kadar tekrarlanır.
Avantajları:
Dezavantajları:
Kullanım Alanları:
Gradyan artırma, birçok farklı alanda yaygın olarak kullanılır:
Popüler Gradyan Artırma Algoritmaları:
Gradyan artırma, makine öğrenmesinde yaygın olarak kullanılan güçlü bir tekniktir. Doğru parametrelerle uygulandığında, yüksek doğruluk ve genelleme yeteneği sağlayabilir.
Ne Demek sitesindeki bilgiler kullanıcılar vasıtasıyla veya otomatik oluşturulmuştur. Buradaki bilgilerin doğru olduğu garanti edilmez. Düzeltilmesi gereken bilgi olduğunu düşünüyorsanız bizimle iletişime geçiniz. Her türlü görüş, destek ve önerileriniz için iletisim@nedemek.page