Topluluk

Ensemble öğrenme, makine öğreniminde (ML) çok sayıda bağımsız modelin, genellikle "zayıf öğrenenler" olarak adlandırılan, tek bir tahmin çıktısı üretmek için birleştirildiği sağlam bir stratejidir. Temel öncül, bir grup modelin genellikle tek başına hareket eden herhangi bir modelden daha yüksek doğruluk ve daha iyi genelleme sağlayabileceğidir . Çeşitli algoritmalardan elde edilen tahminleri bir araya getiren ensemble yöntemleri, eğitim verilerine aşırı uyum riskini etkili bir şekilde azaltır, rastgele hataları düzeltir ve genel sistem kararlılığını artırır. Bu yaklaşım, kritik bir karar vermek için tek bir kişinin görüşüne güvenmek yerine bir uzmanlar paneline danışmaya benzer.

Topluluk Öğrenimi Mekanizmaları

Ensemble yöntemlerinin etkinliği, önyargı-varyans dengesi üzerinde manipülasyon yapma yeteneklerinde yatmaktadır. Bireysel modeller yüksek varyans (gürültüye duyarlılık) veya yüksek önyargı (aşırı basitleştirme) sorunları yaşayabilir. Ensemble, belirli teknikler aracılığıyla bu sorunları hafifletir:

• Bagging (Bootstrap Aggregating): Bu teknik, veri kümesinin farklı alt kümeleri üzerinde aynı algoritmanın birden fazla örneğini eğitmeyi içerir. En ünlü örnek, varyansı azaltmak için birçok karar ağacının kararlarını bir araya getiren Random Forest algoritmasıdır. .
• Boosting: Bagging'den farklı olarak, boosting modellerini sırayla eğitir. Her yeni model, öncekilerin yaptığı hataları düzeltmeye odaklanır. LightGBM ve CatBoost gibi popüler çerçeveler, bunu son derece doğru tahmin sistemleri oluşturmak için kullanır.
• Yığma (Yığılmış Genelleme): Bu, birkaç heterojen temel modelin tahminlerini birleştirmek için yeni bir "meta model" eğitilmesini içerir (örneğin, bir sinir ağı ve bir Destek Vektör Makinesi).

Bilgisayar Görmesinde Birleştirme

Bilgisayar görme (CV) alanında, yarışmalarda ve kritik güvenlik uygulamalarında performansı en üst düzeye çıkarmak için sık sık kümeler kullanılır. Nesne algılama için bu, genellikle aynı görüntü üzerinde YOLO26'nınfarklı sürümleri gibi birden fazla modelin çalıştırılmasını içerir. Ortaya çıkan sınırlayıcı kutular daha sonra Non-Maximum Suppression (NMS) veya Weighted Box Fusion (WBF) gibi teknikler kullanılarak birleştirilir ve en olası nesne konumları elde edilir.

Gerçek Dünya Uygulamaları

Ensemble yöntemleri, tahmin güvenilirliğinin çok önemli olduğu sektörlerde yaygın olarak kullanılmaktadır.

1. Tıbbi Teşhis ve Görüntüleme: Sağlık hizmetlerinde, yanlış negatif sonuçlardan kaçınmak çok önemlidir. Bir ensemble, konvolüsyonel sinir ağı (CNN) ile görsel dönüştürücü (ViT) birleştirerek anormallikleri detect edebilir. Modeller arasındaki uyum, daha yüksek bir güven puanı sağlayarak radyologların tümörleri tespit etmesine veya nadir görülen hastalıkları teşhis etmesine yardımcı olur.
2. Finansal Dolandırıcılık Tespiti: Finansal kurumlar, işlem modellerini analiz etmek için kümeler kullanır. Lojistik regresyon modellerini gradyan güçlendirme makineleriyle birleştirerek, sistem tek bir modelin gözden kaçırabileceği ince dolandırıcılık göstergelerini detect , yanlış alarm oranlarını düşük tutar.

Python ile Model Birleştirme Uygulaması

Birden fazla eğitilmiş modeli yükleyerek ve aynı girdi için tahminler oluşturarak temel bir çıkarım kümesi simülasyonu yapabilirsiniz. Ultralytics , bu varyantları kolayca eğitmenizi sağlar. Aşağıdaki örnek, iki farklı Ultralytics modelinin yüklenmesini göstermektedir. Ultralytics YOLO modellerinin (YOLO26n ve YOLO26s) yüklenerek bir görüntüdeki algılamaların doğrulanmasını göstermektedir .

from ultralytics import YOLO

# Load two distinct YOLO26 model variants
# 'n' (nano) is faster, 's' (small) is more accurate
model_nano = YOLO("yolo26n.pt")
model_small = YOLO("yolo26s.pt")

# Define the image source
source = "https://ultralytics.com/images/bus.jpg"

# Run inference with both models
results_n = model_nano(source)
results_s = model_small(source)

# Compare the number of objects detected by each model
print(f"Nano Model Found: {len(results_n[0].boxes)} objects")
print(f"Small Model Found: {len(results_s[0].boxes)} objects")

Ensemble ve Veri Artırma

Ensemble öğrenmeyi Veri Artırma'dan ayırmak önemlidir. Veri Artırma.

• Ensemble, mimari ve tahmin aşamasına odaklanır ve sonuçları iyileştirmek için birden fazla eğitimli farklı modeli birleştirir.
• Veri Artırma, eğitim verisi aşamasına odaklanır ve tek bir, daha sağlam model eğitmek için veri kümesinin çeşitliliğini (örneğin, dönütme veya çevirme yoluyla) yapay olarak artırır. .

Veri artırma, tek bir modelin daha iyi öğrenmesine yardımcı olurken, topluluk öğrenimi, birden fazla modelin birbirlerinin çıktılarını doğrulamasına yardımcı olur. Her iki strateji de, genellikle, örnek segmentasyonu ve poz tahmini gibi görevlerde en gelişmiş sonuçları elde etmek için birlikte kullanılır. .