MATLAB ile Mühendislik #56 | Topluluk Ağaçları: Bagging, Orman ve Boosting

Eğitmen: Dr. Süleyman Burak ÇELİK

Bir ağaç yeni parçada neden şaşırır? Özgün kurgu takım aşınması verisinde bölünme kazancını ve iki boosting adımını elle çözüyor; bagging, OOB ve öğrenme hızıyla karşılaştırıyoruz. Veri gerçek ölçüm değildir. 300 satır,200 eğitim ve100 test. Örnek1: yaprak ortalamaları,kare hata,kazanç ve fitrtree varsayılan tuzağı. Örnek2: artık öğrenme,iki yarım düzeltme ve ölçülen sıfır başlangıcını eşitleme. ROUND_HALF_UP altı basamaklı el zinciri ve tam MATLAB çıktısı ayrı. Orman OOB oranı (1−1/200)^200≈0.3670; ölçülen0.3679. Eğitim/test/OOB ayrımı korunur. Gürültü RMS0.0207mm beklenen genelleme ölçeğidir,her sonlu test sonucunun kesin alt sınırı değildir. F0=0 bu sürümde ölçülen davranıştır,doğrulanmış kitap formülü diye sunulmaz. 300/500ağaçlı4bölünme kontrolü yaklaşık; bölünme önceliği çözülmedi. 0.0287ile0.0290,yüz test noktasında anlamlı üstünlük değildir. Hız1de500ağaçta test patlamaz; eğitim sıfıra yaklaşırken test iyileşmez. Özellik önemi ve gerçek hata mesajları gösterilir. Bu derste: 1. Statistics and Machine Learning Toolbox 26.2 2. Tek bölünmenin bütün hesabı 3. Eğitim,test ve OOB ayrımı 4. Bagging ve regresyon ormanı 5. OOB olasılığının türetilmesi 6. İki boosting adımı 7. Başlangıç ve merkezleme sağlaması 8. Hız ve ağaç sayısı yüzeyi 9. Özellik karıştırma önemi 10. Gerçek hata mesajları Bölümler: 0:00 Problem ve eklenti 0:22 Kaynak ve kapsam 0:39 Tek zihinsel model 0:59 Örnek 1: en iyi bölünme 1:28 Altı verinin ortalaması 2:01 Bölünmeden önce kare hata 2:48 İki yaprağın ortalamaları 3:23 Bölünmeden sonraki kare hata 4:16 Kazanç ve bütün eşikler 4:57 MATLAB sağlaması ve sessiz tuzak 5:25 Özgün atölye verisi 5:53 Eğitim ve test sınavı 6:20 Ağaç kararsızlığı 6:44 Bagging ve yakınsama 7:09 OOB sınaması 7:34 Dışarıda kalma olasılığı 7:58 Özellik seçimi ve test 8:21 Örnek 2: iki boosting adımı 8:48 Birinci düzeltme 9:21 Yeni artık ve hata 9:57 İkinci düzeltme 10:33 MATLAB başlangıcını ölç 11:02 Sıfırdan başlayan iki adım 11:44 Merkezleme sağlaması 12:10 Atölye boosting karşılaştırması 12:36 Küçük hız ve başlangıç 13:02 Hız ve ağaç yüzeyi 13:29 Merkezli yüzey ve genelleme 13:52 Özellik önemini sınama 14:24 Gerçek hata mesajları 14:50 Bu derste öğrendiklerimiz 15:12 Akılda kalan kural Gerekli MATLAB eklentileri: Statistics and Machine Learning Toolbox 26.2 (MATLAB R2026b): fitrtree,fitrensemble,templateTree,TreeBagger,model predict/loss,view,oobLoss,oobError,oobPredict,predictorImportance,oobPermutedPredictorImportance. Temel MATLAB: mean,sum,sqrt,rng,randperm,meshgrid,surf. Kaynak kitap: Bu ders için kaynak kitap PDFsi doğrulanmadı; kitap,bölüm veya sayfa iddiası yok. Özgün sorular ve veri. Resmi MathWorks fitrensemble belgesi: https://www.mathworks.com/help/stats/fitrensemble.html (2026-11-02; varsayılan LSBoost ve100ağaç kapsamı). Sıfır başlangıcı kaynak kitaba değil,gerçek yakalamaya dayanır. Anlatım Gemini Puck yapay zekâ sesiyle; özgün kurgu veri,gerçek MATLAB kayıtları ve bağımsız Python denetimleri kullanıldı. Temel MATLAB ve ortalama/kare hata bilen mühendislik öğrencileri. #MATLAB #MachineLearning #Boosting #AcEdumy

Bu videoyu izlemek için Premium üyelik gerekir.