Topluluk Modelleme Eğitimi: Topluluk Öğrenme Tekniklerini Keşfedin

Makine öğrenimi modelleri geleneksel yazılım çözümleri gibi değildir.  Bu modeller, doğru ve güvenilir tahminler için yeni veriler kullanıma sunuldukça sürekli güncellenmeye ihtiyaç duyar. Karmaşık ve hassas senaryolarda, tek bir modele güvenmek en iyi sonucu üretmek için yeterli olmayabilir  ve burada topluluk modelleme yardımcı olabilir. 

Bu kavramsal eğitim, makine öğreniminde topluluk modellemenin ne olduğunu ve genel model performansınızı nasıl iyileştirebileceğini kapsar. Ardından, Python ile adım adım bir uygulama üzerinden gerçek dünya senaryosunun bir gösterimine dalmadan önce çeşitli topluluk yöntemlerinin genel bir özetini sunacağız.

SuperLearner ile R’da Topluluk Öğrenimi eğitimimiz, R’da SuperLearner paketi kullanılarak topluluk öğrenme yaklaşımıyla makine öğrenimi sonuçlarınızı nasıl artıracağınızı açıklar.

Makine Öğreniminde Topluluk Modelleri

Uluslararası bir yarışmaya katılan bir müzik menajerini hayal edelim.  Farklı uzmanlıklara sahip çok çeşitli müzisyenlere erişimi var: 

• Geleneksel eserler besteleme becerisine sahip klasik müzisyenler.
• Elektronik enstrümanları kullanma konusunda uzman elektronik müzisyenler.
• Doğaçlama yeteneği güçlü caz müzisyenleri.
• Karmaşık sololar icra edebilen ve teknik becerilerini öne çıkaran solistler.

Bu geniş müzikal uzmanlık ve geçmiş yelpazesi göz önüne alındığında, menajer hepsini bir araya getirerek benzersiz ve unutulmaz bir performans oluşturabilir.

Topluluk modellerini, her bir kişinin piyano, trompet, davul ve daha fazlası gibi belirli bir enstrümanda uzmanlaştığı bir müzisyen orkestrası gibi düşünün. Bu becerilerin birleşimi uyumlu bir melodi yaratır. 

Topluluk öğrenimi aynı mantığı kullanır: 

Birden çok algoritmayı bir araya getirerek tek bir modelden elde edilebilecek olandan daha iyi bir öngörü performansı elde eder. Dikkate alınacak model sayısı önceden belirlenmiş değildir ve bazı iş hedefleri diğerlerinden daha fazla model gerektirebilir.

Model Hatası ve Bunu Topluluklarla Azaltma

Herhangi bir makine modelinden kaynaklanan hata matematiksel olarak üç bileşene ayrılabilir:

Önyargı (Bias) + Varyans + Azaltılamaz hata

Bu mevcut bağlamda neden önemlidir? Bir topluluk modelinin arka planında neler olduğunu anlamak için önce modelde hataya neyin sebep olduğunu bilmeniz gerekir. 

Bu hatalara bakalım: 

Önyargı hatası 

Bu, ortalama olarak tahmin edilen değerlerin gerçek değerden ne kadar farklı olduğunu ölçmek için kullanışlıdır. Yüksek önyargı hatası, temel eğilimleri sürekli ıskalayan düşük performanslı bir modele sahip olduğumuz anlamına gelir.

Varyans

Öte yandan, Varyans aynı gözlem üzerinde yapılan tahminlerin nasıl farklılaştığını ölçer. Yüksek varyanslı bir model, eğitim kitlenize aşırı uyum sağlar ve eğitim ötesindeki herhangi bir gözlemde zayıf performans gösterir. Aşağıdaki diyagram daha fazla netlik sağlayacaktır (kırmızı noktanın gerçek değeri, mavi noktaların ise tahminler olduğunu varsayın): 

Genellikle, modelinizin karmaşıklığını artırdıkça, modeldeki daha düşük önyargı nedeniyle hatada bir azalma görürsünüz. Ancak bu yalnızca belirli bir noktaya kadar gerçekleşir. Modelinizi daha da karmaşık hale getirmeye devam ettikçe, modeli aşırı uydurmuş olursunuz ve dolayısıyla modeliniz yüksek varyanstan muzdarip olmaya başlar.

Artık topluluk öğreniminin temellerine aşina olduğunuza göre, farklı topluluk öğrenme tekniklerine bakalım:

Topluluk Yöntemi Türleri

Farklı türde topluluk yöntemleri vardır ve her biri bir dizi avantaj ve dezavantaj getirir. Bu bölüm, kullanım örnekleriniz için doğru seçimi yapmanıza yardımcı olmak üzere bu yönleri ele alır. 

Her yönteme dalmadan önce, sonraki kavramları daha iyi anlamak için meta ve temel öğrenicilerin ne olduğunu açıklığa kavuşturalım. 

• Temel öğreniciler, topluluk öğrenme mimarisinin ilk seviyesidir ve her biri bireysel tahminler yapmak üzere eğitilir. 
• Meta öğreniciler ise ikinci seviyededir ve temel öğrenicilerin çıktıları üzerinde eğitilir. 

Bagging

Bagging, bootstrap toplulaştırma olarak da bilinir.  Bu teknik rastgele orman yöntemine benzer, ancak bagging tüm öngörücüleri kullanırken rastgele orman her ağaçta yalnızca bir öngörücü alt kümesini kullanır.  

Bagging’de, eğitim setinden yerine koymalı rastgele bir veri örneklemesi seçilir; bu da bir sette örneklerin çoğaltılmasına olanak tanır. Bagging’de yer alan başlıca adımlar aşağıdadır: 

• Birden çok bootstrap yeniden örneklemesi oluşturma.
• Her yeniden örnekleme üzerinde tahmin yapmak için bir algoritma çalıştırma.
• Tahminleri ya ortalamasını alarak ya da çoğunluk oyu alarak (sınıflandırma için) birleştirme.

Bagging, sınıflandırma veya regresyon görevlerinde kullanıldığında birkaç temel avantaj ve dezavantaj sunar.

Avantajlar

• Modelleme süreci basittir, derin matematiksel kavramlar gerektirmez ve eksik değerlerle başa çıkabilir.
• Scikit-learn paketi altta yatan mantığın uygulanmasını kolaylaştırır. Temel öğreniciler olarak da bilinen her modelin tahminlerini birleştirmek için gerekli tüm modülleri içerir. 
• Yüksek varyanslı sınıflayıcılarda varyansı azaltma konusunda önemli bir etkiye sahiptir. Bu, modelin yeni veriler üzerinde doğru şekilde genelleme yapmasını engelleyebilen yüksek boyutlu verilerle uğraşırken faydalıdır. 
• Bagging, bu sınıflayıcıların tümünün ürettiği ortalama hata/kayıpla örtüşen, çantadan-çıkan hata için yansız bir tahmin sunar.

Dezavantajlar

• Birden çok modelin kullanılmasından dolayı hesaplama açısından maliyetlidir.
• Tahminler boyunca yapılan ortalama alma işlemi nihai sonucun yorumlanmasını zorlaştırır.

Boosting

Boosting, sıralı bir yaklaşım benimser; mevcut modelin tahmini bir sonrakine aktarılır. Her model, selefleri tarafından yanlış sınıflandırılan gözlemlere art arda odaklanır. Aşağıda genel süreci özetledik: 

Avantajlar

• Bagging’e benzer şekilde, boosting anlaması ve uygulaması kolaydır. Ayrıca ön işleme gerektirmez ve verideki eksik değerleri yönetebilir.
• Önyargıyı verimli şekilde azaltır. 
• Boosting algoritmaları, eğitim sırasında genel doğruluğu artıran özelliklere öncelik verir. Bu süreç verinin boyutunu azaltır, dolayısıyla hesaplama süresini de kısaltır. 

Dezavantajlar

• Boosting’in sıralı yaklaşımı, sonraki modellerin selefinin hatalarını düzeltmesini sağlar. Bu da genel modeli aykırı değerlere karşı savunmasız kılar.
• Aynı sıralı yapı nedeniyle boosting ölçeklenebilir değildir.

Stacking

Stacking, boosting’e oldukça benzer. Temel öğrenicilerin tahminleri bir araya getirilir ve daha sağlam tahminler üretmek için meta öğreniciyi eğitmek üzere girdi olarak kullanılır. Ardından meta öğrenici nihai tahminleri yapmak için kullanılır. Bagging ve boosting tipik olarak homojen temel öğreniciler kullanırken, stacking heterojen olanları içerme eğilimindedir. 

Avantajlar

• Hem sınıflandırma hem de regresyon görevleri için birden çok yüksek performanslı modelin güçlü yönlerinden yararlanır.
• Diğer topluluk modellerine benzer şekilde, stacking tek tek modellerin tek başına kullanımından daha doğru bir model oluşturmaya yardımcı olur.

Dezavantajlar

• Karmaşık temel modellerin kullanımı aşırı uyum riskini artırabilir.
• Bir modelin farklı eğitim seviyeleri, stacking mimarisini uygulamayı karmaşık hale getirebilir.

Blending 

Blending, Stacking’e benzer. Blending”e veri yapısı eğitim, ayrılmış (hold-out) ve test verilerinden oluşur. Meta öğreniciler eğitim verileri üzerinde eğitilir. Daha sonra onların tahminleri ayrılmış veriyle birleştirilerek, test verisini kullanarak nihai tahminleri yapan son meta model oluşturulur.

Avantajlar

• Stacking ve diğer birçok topluluk yönteminde olduğu gibi, blending pek çok durumda nihai modelin performansını artırabilir. 
• Bu tekniğin kullanımı, birçok yarışmanın kazanılmasında etkili olmuştur. 

Dezavantajlar

• Orijinal veriyi blending mimarisine göre bölmek, temel modelleri eğitmek için kullanılacak veriyi sınırlayabilir; bu da zayıf performansla sonuçlanabilir.
• Diğer topluluk modellerinde olduğu gibi, artan karmaşıklık nedeniyle nihai modelin yorumlanabilirliği azalır; bu da kritik iş içgörüleri çıkarmayı zorlaştırır.

Oylama

Oylamada, birden çok model bağımsız olarak eğitilir ve tahminleri, sert oylama, yumuşak oylama veya ağırlıklı oylama kullanılarak nihai bir tahmin yapmak üzere birleştirilir:

• Sert oylamada, nihai tahmin tüm modellerden en sık görülen tahmindir.  
• Yumuşak oylamada, her model ikili bir tahmin yerine bir olasılık dağılımı üretir. Ardından en yüksek olasılığa sahip sınıf tahmin edilir. 
• Son olarak, ağırlıklı oylamada bazı modellerin diğerlerinden daha yetkin olduğu varsayılır ve bu modellere tahmin yaparken daha fazla katkı payı atanır.

Avantajlar

• Oylama mimarisi, stacking ve blending ile karşılaştırıldığında uygulaması basittir. Ayrıca karmaşık ince ayar gerektirmez. 
• Oylamada birden çok temel öğrenici kullanılması, modelin tekil modellere olan duyarlılığını azaltır; bu da daha istikrarlı ve güvenilir tahminlere katkıda bulunur.

Dezavantajlar

• Modellerin tahmin çakışmalarıyla başa çıkmak zor olabilir; bu da nihai kararı anlamlı bir şekilde vermeyi güçleştirir.
• Topluluk oylama modeline daha fazla model eklemek, nihai performansı mutlaka iyileştirmez.

Basamaklama (Cascading) 

Basamaklama, her katmanda yalnızca bir model olacak şekilde bir stacking yaklaşımı kullanır. İlk model tüm eğitim verisi üzerinde eğitilir ve sonraki model kendisinden önceki modelin çıktısı üzerinde eğitilir. Bu stratejinin amacı, veriden karmaşık kalıpları öğrenmek ve böylece modelin daha iyi tahminler yapmasını sağlamaktır.   

Avantajlar

• Sonraki model, önceki modelin çıktısında uzmanlaşır; bu da verideki gürültüyü azaltır.
• Aşırı uyuma karşı daha dayanıklıdır ve gerçek dünya verilerinde iyi performans gösterebilir.

Dezavantajlar

• Basamaklamayı uygulamak karmaşık olabilir; çünkü sıradaki her modelin eğitilmesini gerektirir.  
• En uygun basamaklı mimariyi bulmak çok sayıda deney ve ince ayar gerektirebilir.

Topluluk Algoritmalarına Genel Bakış

Önceki bölümlerde farklı türde topluluk modelleri ele alındı. Şimdi, bazı popüler modellere kısaca göz atalım. 

Rastgele Orman (Random Forest)

Random Forest, hem sınıflandırma hem de regresyon problemlerini çözebilen, yaygın olarak kullanılan bir modeldir. Bir rastgele orman, bagging kullanılarak eğitilen çok sayıda karar ağacından oluşur. Sonuç, tek tek ağaçların tahminlerinin ortalaması alınarak belirlenir. 

Düğüm boyutu, ağaç sayısı ve örneklenen özellik sayısı, rastgele ormanı eğitmeden önce ayarlanması gereken üç ana hiperparametredir. 

Rastgele ormandaki rastgelelik ne anlama gelir?

Özellik torbalama (feature bagging) olarak da bilinen özellik rastgeleliği, karar ağaçları arasındaki korelasyonu düşük tutmak için rastgele bir özellik örneklemesi yaratır. Bu yaklaşım, tüm olası özellik bölünmelerini dikkate alan karar ağaçlarından rastgele ormanları ayırır; rastgele ormanlar ise bu özelliklerin yalnızca bir alt kümesini dikkate alır. Rastgele orman sınıflandırma eğitimimizde okuyun. 

XGBoost

Extreme Gradient Boosting, kısaca XGBoost, hem sınıflandırma hem de regresyon için kullanılır. XGBoost ölçeklenebilir ve son derece verimli olacak şekilde tasarlanmıştır ve gradyan artırmalı karar ağaçları çerçevesini uygular. 

Geniş ölçekli veri setlerini işlemek için uygundur ve Hadoop, MPI (Message Passing Inference) ve SGI (Sun Grid Engine) gibi başlıca dağıtık ortamlarla uyumludur. Daha fazla bilgiyi XGBoost eğitimimizde bulabilirsiniz. 

AdaBoost

Adaptive Boosting yani AdaBoost, ikili sınıflandırma için başarılı ilk topluluk artırma sınıflayıcılarından biridir. Uyarlamalıdır; çünkü ağırlıklar her örneğe yeniden atanır ve yanlış sınıflandırılan örneklere daha yüksek ağırlıklar verilir. Ayrı bir eğitimimizde Python’da AdaBoost Sınıflandırma hakkında daha fazla okuyun. 

Topluluk Modellerinin Adım Adım Uygulanması 

Artık topluluk modellemenin ana fikrini ve bazı modellerin nasıl çalıştığını anladığınıza göre, bu bölüm Python kullanarak teknik uygulamaya odaklanacaktır. 

Ortamın kurulumu 

Başlamak için bilgisayarınızda Python’un yanı sıra aşağıdaki kütüphanelerin kurulu olması gerekir:

• Veri çerçevesini yüklemek için pandas. 
• Mevcut makine öğrenimi algoritmalarını kullanmak için Scikit-learn.
• Görselleştirme amacıyla Seaborn ve matplotlib.

Bu kütüphaneleri aşağıdaki gibi Python paket yöneticisi pip ile kurabilirsiniz:

pip install scikit-learn
pip install pandas
pip install matplotlib seaborn

Kullanım örneğini daha iyi göstermek için DataLab’de bulunan Kredi Verilerini kullanacağız. Bu eğitimin kodu ayrıca DataLab’de bu çalışma kitabında mevcuttur; kendi çalışma kitabı kopyanızı oluşturabilir, bilgisayarınıza herhangi bir şey kurmanıza gerek kalmadan tarayıcınızda kodu düzenleyip çalıştırabilirsiniz.

Veriyi anlama

Veri setinde kredi yapısı, borçluya ilişkin bilgiler ve kredinin tamamen ödenip ödenmediğini gösteren, not.fully.paid sütunu ile temsil edilen 9.500 kredi bulunmaktadır. İlk beş gözlem aşağıda gösterilmiştir: 

import pandas as pd
loan_data = pd.read_csv("loan_data.csv")
loan_data.head()

info() fonksiyonunu kullanmak, veriye ilişkin aşağıdaki ilgili bilgileri üretir: 

• 14 sütundan oluşan ve purpose dışında sayısal türde olan 9.578 satır (0’dan 9577’ye). purpose sütunu object türündedir ve kredinin amacına ilişkin metinsel açıklamayı verir. 
• Her sütun için non-null etiketi, ilgili sütunda eksik bilgi olmadığını gösterir; sütunların hiçbirinde eksik değer yoktur. 

loan_data.info()

Dengesiz bir veri durumu olduğunu görüyoruz; sınıf 0 (8045 gözlem) sınıf 1’den (yalnızca 1533 gözlem) çok daha fazla.

print(loan_data['not.fully.paid'].value_counts())
loan_data['not.fully.paid'].value_counts().plot(kind='barh')

Böylesi dengesiz verinin model eğitiminde kullanılması genel performansı etkiler. 

Bu sorunun ele alınmasının bir yolu, az örnekleme yaklaşımını kullanmaktır; yani çoğunluk sınıfına ait gözlemlerin (sınıf 0) sayısını azaltırız. Bu senaryoda, sınıf 0 için sınıf 1 kadar gözlem olacaktır ve süreç şu şekildedir:

• Önce sınıf 1’in sayısını alın.

• Sınıf 0’dan rastgele N gözlem seçin; burada N, sınıf 1 veri çerçevesinin boyutudur.

• Önceki iki veri çerçevesini birleştirin.

loan_data_class_1 = loan_data[loan_data['not.fully.paid'] == 1]
number_class_1 = len(loan_data_class_1)
loan_data_class_0 = loan_data[loan_data['not.fully.paid'] == 0].sample(number_class_1)

final_loan_data = pd.concat([loan_data_class_1,
                         	loan_data_class_0])

print(final_loan_data.shape)

Dengesiz Veriyle Derinlemesine Çalışma eğitimi, dengesiz bir veri kümesiyle başa çıkma tekniklerini öğrenmek için daha fazla kaynak sağlar. 

Az örneklemeden sonra elde ettiklerimiz: 

• Toplamda 3066 gözlem ve 14 sütun. 

Ve nihai dengeli dağılım aşağıda gösterilmiştir.

Eğitim için veriyi hazırlama 

Veri setine baktığımızda, tüm özelliklerin aynı ölçekte olmadığını ve KNN gibi bazı makine öğrenimi modellerinin bu tür ölçeklendirmeye duyarlı olduğunu fark ediyoruz. Bu sorun, MinMaxScaler modülü kullanılarak özelliklerin aralıklarını aynı ölçeğe (bu durumda 0 ile 1 arasına) getirerek giderilebilir.

Ayrıca, ek ön işleme gerektirdiği için basitlik adına purpose sütununu kaldıracağız. 

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 1))

# Remove unwanted 'purpose' column and get the data
final_loan_data.drop('purpose', axis=1, inplace=True)
X = final_loan_data.drop('not.fully.paid', axis=1)

normalized_X = scaler.fit_transform(X)

Her öngörü görevinde olduğu gibi, veriyi eğitim ve test setlerine ayırmamız gerekir. Bu durumda, verinin %77’sini eğitim, kalan %33’ünü test için kullanacağız.  

• Rastgelelik durumu (random state) özniteliği, sonuçların tekrarlanabilirliğini sağlamak için rastgele bir değerle (bizim durumumuzda 2023) başlatılır. 

Stratify, y hedef değerinin hem eğitim hem de test verisinde eşit dağılımını sağlamak için kullanılır.

from sklearn.model_selection import train_test_split

y = final_loan_data['not.fully.paid']
r_state = 2023
t_size = 0.33

X_train, X_test, y_train, y_test = train_test_split(normalized_X, y,
                                                	test_size=t_size,
                                                	random_state=r_state,
                                                	stratify=y)

Tüm modeller, eğitim verisi üzerinde eğitilme, test verisi üzerinde tahmin yapma ve modellerin performansını değerlendirme sırasını takip edecektir. 

Bagging modeli 

Bu bölümde kullanılan bagging modeli Random Forest’tır. Basitlik adına varsayılan parametreleri kullanacağız.

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score

# Define the model
random_forest_model = RandomForestClassifier()
# Fit the random search object to the data
random_forest_model.fit(X_train, y_train)

Model eğitildikten sonra performans, accuracy_score fonksiyonu kullanılarak aşağıdaki gibi üretilir: 

# Make predictions
y_pred = random_forest_model.predict(X_test)

# Get the performance
accuracy = accuracy_score(y_test, y_pred)

print("Accuracy:", accuracy) 

Yukarıdaki print ifadesi 0.6156 yani %61,56 üretir.

Şimdi bu skoru, bir blending toplulaştırma yaklaşımının performansıyla karşılaştıralım.

Blending Modeli 

Blending için iki temel model kullanacağız: bir karar ağacı ve bir K-En Yakın Komşu sınıflayıcı. Nihai tahminleri yapmak için de bir son regresyon modeli kullanılacaktır.

from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression

Orijinal eğitim verisi, yeni bir eğitim veri seti ve bir doğrulama veri seti olarak bölünür. Temel modeller eğitim verisi üzerinde eğitilir. 

X_train, X_val, y_train, y_val = train_test_split(
                                            	X_train, y_train,
                                            	test_size=t_size,
                                            	random_state=r_state)

Ardından bu temel modellerin tahminlerinden iki veri çerçevesi oluşturulur: 

• İlk veri çerçevesi, doğrulama verisi üzerindeki tahminlerin orijinal doğrulama verisiyle birleştirilmiş halidir.
• İkinci veri çerçevesi, test verisi üzerindeki tahminlerin orijinal test verisiyle birleştirilmiş halidir.

# Decision Tree Model
dt_model = DecisionTreeClassifier()
dt_model.fit(X_train, y_train)
dt_model_pred_val = dt_model.predict(X_val)
dt_model_pred_test= dt_model.predict(X_test)

dt_model_pred_val = pd.DataFrame(dt_model_pred_val)
dt_model_pred_test = pd.DataFrame(dt_model_pred_test)

# KNN Model
knn_model = KNeighborsClassifier()
knn_model.fit(X_train,y_train)
knn_model_pred_val = knn_model.predict(X_val)
knn_model_pred_test = knn_model.predict(X_test)

knn_model_pred_val = pd.DataFrame(knn_model_pred_val)
knn_model_pred_test = pd.DataFrame(knn_model_pred_test)

Nihai lojistik regresyon modeli, birleştirilmiş doğrulama verisi kullanılarak oluşturulur ve birleştirilmiş test verisi kullanılarak değerlendirilir. 

x_val = pd.DataFrame(X_val)
x_test = pd.DataFrame(X_test)

df_val_lr = pd.concat([x_val, knn_model_pred_val,
                    	dt_model_pred_val], axis=1)

df_test_lr = pd.concat([x_test, dt_model_pred_test,
                     	knn_model_pred_test],axis=1)

# Logistic Regression Model
lr_model = LogisticRegression()

lr_model.fit(df_val_lr,y_val)
lr_model.score(df_test_lr,y_test)

.score() fonksiyonunu kullanmak, varsayılan olarak doğruluk (accuracy) skorunu hesaplar ve gerçek tahminlere ihtiyaç duymaz. 

Performans sonucu 0.6383, yani %63,83’tür ve bu, ilk rastgele ormana göre yaklaşık %2 daha yüksektir; dolayısıyla blending modeli en iyi performansı sağlar.

Python’da Topluluk Yöntemleri ve R’da Ağaç Tabanlı Modellerle Makine Öğrenimi kurslarımız, makine öğrenimi yolculuğunuza, sırasıyla Python ve R’da topluluk sınıflayıcı yöntemlerin harika dünyasına dalarak devam etmek için harika bir sonraki adım olabilir.

Sonuç

Bu makalede, özellikleri, avantajları ve dezavantajlarıyla birlikte farklı türde topluluk modelleme ele alındı. Ayrıca, Random Forest, Adaboost, XGBoost, Gradyan Artırmalı Ağaçlar ve Gradyan Artırmalı Makineler gibi bazı topluluk model tabanlı algoritmaların kısa bir özeti sunuldu. 

Topluluk modelleri oluştururken, daha iyi iş içgörüleri için artı ve eksilerinin farkında olmak önemlidir.

SSS

Homojen ve heterojen öğreniciler arasındaki fark nedir?

Homojen öğreniciler, benzer türde algoritma ve hiperparametrelere sahip öğrenicilerdir. Rastgele orman, homojen öğrenicilerden oluşan bir topluluk olarak değerlendirilebilir. 

Heterojen olanlar ise farklı algoritma ve hiperparametrelere sahiptir. Rastgele orman, sinir ağı ve KNN, bir topluluk modelinin heterojen öğrenicileri olabilir.

Topluluk modellerinin tekil modellere göre avantajları nelerdir?

Topluluk modellerini kullanmak, tek bir modele kıyasla daha iyi tahminler yapılmasını sağlayabilir.

Topluluk modellerinin sınırlaması nedir?

Topluluk modelleri yorumlanabilirlik eksikliğinden muzdarip olabilir; yani topluluk modellerinin öğrendiği bilginin son kullanıcılar tarafından anlaşılır olmaması.

Topluluk modellerini ne zaman kullanmaktan kaçınmalısınız?

Topluluk modellerinin kullanımı, şunlarla sınırlı olmamak üzere şu koşullarda kaçınılmalıdır: yüksek yorumlanabilirlik ihtiyacı, sınırlı veri, gerçek zamanlı kısıt, yüksek hesaplama maliyeti.  

Makine öğreniminde farklı topluluk yöntemleri nelerdir?

Bagging, boosting, stacking, oylama, blending ve basamaklama, makine öğrenimindeki başlıca topluluk yöntemleridir.