Topluluk

Ensemble yöntemleri, birden fazla bireysel modelin tek, üstün bir tahmini model üretmek için birleştirildiği makine öğrenmesinde (ML) güçlü bir tekniktir. Temel fikir, birkaç modelin "bilgeliğini" bir araya getirerek, nihai tahminin herhangi bir tekil modelin tahmininden daha doğru, kararlı ve sağlam olacağıdır. Bu yaklaşım, çeşitli bir uzman grubundan tavsiye almaya benzer; kolektif karar genellikle herhangi bir bireysel uzmanın görüşünden daha iyidir. Bu teknikler, aşırı öğrenmeyi azaltmada ve modellerin görülmemiş veriler üzerindeki genellemesini iyileştirmede oldukça etkilidir.

Topluluklar (Ensembles) Nasıl Çalışır?

Ensemble öğrenme iki ana adım içerir: çeşitli temel modellerden oluşan bir grubu eğitmek ve ardından bunların tahminlerini birleştirmek. Temel modeller arasındaki çeşitlilik çok önemlidir; tüm modeller aynı hataları yaparsa, ensemble herhangi bir iyileşme sağlamaz. Bu çeşitlilik, farklı algoritmalar kullanılarak, eğitim verilerinin farklı alt kümelerinde eğitim yapılarak veya farklı hiperparametreler kullanılarak elde edilebilir.

Modeller eğitildikten sonra, tahminleri toplanır. Sınıflandırma görevleri için bu, genellikle bir oylama mekanizması aracılığıyla yapılır (örneğin, en çok oyu alan sınıf kazanır). Regresyon görevleri için tahminler tipik olarak ortalanır. Ortaya çıkan birleşik model genellikle daha iyi performans gösterir; bu kavram Condorcet Jüri Teoremi'nde incelenmiştir.

Yaygın Topluluk Teknikleri

Etkili topluluklar oluşturmak için çeşitli popüler yöntemler mevcuttur:

• Torbalama (Bootstrap Aggregating): Bu teknik, eğitim verilerinin farklı rastgele alt kümeleri üzerinde birden çok modelin (örneğin, karar ağaçları) eğitilmesini içerir. Rastgele Orman (Random Forest) algoritması, torbalamanın iyi bilinen bir uygulamasıdır.
• Güçlendirme (Boosting): Modeller sıralı olarak eğitilir ve her yeni model, öncekilerin yaptığı hataları düzeltmeye odaklanır. Önemli güçlendirme algoritmaları arasında AdaBoost, Gradient Boosting, XGBoost ve LightGBM bulunur.
• Yığınlama (Yığınlanmış Genelleştirme): Bu yöntem, birkaç farklı modelin (temel öğreniciler) eğitilmesini ve tahminlerini en iyi şekilde nasıl birleştireceğini öğrenmek için başka bir makine öğrenimi modeli (bir meta-öğrenici) kullanılmasını içerir.
• Oylama ve Ortalamalama: Bunlar, nihai tahminin tüm modellerden gelen çoğunluk oyu (sert oylama) veya tahmin edilen olasılıkların ortalaması (yumuşak oylama) olduğu en basit yöntemlerdir. Ultralytics YOLO modelleri, model topluluk özelliği ile bir tür ortalamayı destekler.

Gerçek Dünya Uygulamaları

Ensemble yöntemleri, yüksek doğruluğun çok önemli olduğu kritik uygulamalarda yaygın olarak kullanılmaktadır:

1. Tıbbi Görüntü Analizi: Tümör tespiti gibi görevlerde, bir Evrişimsel Sinir Ağları (CNN'ler) topluluğu kullanılabilir. Her CNN, tıbbi taramaların farklı alt kümelerinde veya farklı mimarilerle eğitilebilir. Çıktılarını birleştirerek, sistem tıbbi görüntüleme gibi uygulamalarda yanlış negatif veya pozitif riskini azaltarak daha güvenilir ve doğru bir teşhis elde edebilir.
2. Otonom Sistemler: Otonom araçlar için güvenilir nesne algılama bir güvenlik meselesidir. Bir topluluk, YOLOv8 ve YOLO11 gibi farklı modelleri veya farklı veri artırma stratejileriyle eğitilmiş modelleri birleştirebilir. Bu yaklaşım, tek bir modelin bir yayayı veya engeli tespit edememe riskini azaltarak daha sağlam bir algılama sistemine yol açar.

Ensemble ve İlgili Kavramlar

Ensemble (topluluk) yöntemlerini diğer ilgili kavramlardan ayırt etmek faydalıdır:

• Model Topluluğu (Ensemble): Bu terim genellikle "Ensemble" ile birbirinin yerine kullanılır. "Ensemble" genel tekniği ifade ederken, Model Topluluğu (Model Ensemble) genellikle belirli eğitilmiş model örneklerini birleştirmenin pratik uygulamasını ifade eder. Temel prensip aynıdır.
• Uzmanlar Karışımı (MoE): Her ikisi de birden fazla model kullanmasına rağmen, mekanizmaları farklıdır. Bir topluluk, her girdi için tüm modellerden tahminleri birleştirir. Buna karşılık, bir Uzmanlar Karışımı (MoE) modeli, belirli bir girdi için en uygun "uzman" modelini dinamik olarak seçmek için bir geçiş ağı kullanır ve her tahmin için yalnızca modellerin bir alt kümesini kullanır.

Ensemble yöntemleri model eğitimi ve dağıtımına karmaşıklık ve ek işlem yükü eklese de, performans kazanımları genellikle maliyeti haklı çıkarır. Ultralytics HUB gibi platformlar, PyTorch veya TensorFlow gibi çerçevelerle oluşturulmuş birden fazla modelin yönetimini kolaylaştırarak güçlü ensemble'ların oluşturulmasını basitleştirebilir.