Публикации по теме 'decision-tree'
Понимание алгоритма CART деревьев решений | Машинное обучение
В этом посте мы рассмотрим алгоритм CART с числовым примером на примере набора данных. Давайте начнем понимать алгоритм CART.
CART означает Деревья классификации и регрессии . Деревья классификации и регрессии — это непараметрический метод обучения дерева решений , который создает либо деревья классификации, либо деревья регрессии, в зависимости от того, зависимая/целевая переменная является категориальной или числовой соответственно.
Для классификации:
Алгоритм CART строит..
Все о дереве решений
Дерево решений - это один из контролируемых алгоритмов машинного обучения, который можно использовать как для регрессионных, так и для классификационных задач, но в основном он используется для задач классификации.
Контролируемое обучение - это когда вы берете некоторые данные (в основном известные как данные обучения), которые имеют как ввод, так и вывод, и создаете функцию, которая сопоставляет ввод с выводом. Например, предположим, что у вас есть значения X (вход) и Y (выход), как в..
Раскрытие загадки ансамбля: путь к сверхмощным предсказаниям
Введение в ансамбль упаковки
В динамичной среде машинного обучения стремление к точным прогнозам стимулирует постоянную эволюцию методологий и подходов. Одной из стратегий, получившей известность в последние годы, является ансамблевое обучение — искусство объединения мудрости нескольких моделей для создания более сильной и надежной прогнозирующей модели. Среди ансамблевых методов выделяется пакетирование (Bootstrap Aggregating), предлагающее уникальный подход к повышению..
XGBoost (экстремальное повышение градиента) в машинном обучении
Алгоритм XGBoost получил известность в области прикладного машинного обучения. Из-за его быстрой скорости выполнения и производительности модели он предпочтительнее других машин повышения градиента (GBM). Его можно использовать с Java, C++, R, Julia, Python, командной строкой, Scala и другими языками JVM.
Во время обучения XGBoost использует параллельные вычисления для построения деревьев на всех процессорах. Параметр «максимальная глубина» используется вместо обычных критериев..
Введение в алгоритм дерева решений
Введение:
Многие классические алгоритмы машинного обучения, такие как случайный лес, бэггинг и методы бустинга, построены на деревьях решений. Первым их предложил Лео Брейман, статистик из Калифорнийского университета в Беркли. Его концепция заключалась в том, чтобы представить данные в виде дерева, где каждый внутренний узел представляет проверку атрибута (в основном условие), каждая ветвь представляет результат проверки, а каждый конечный узел (терминальный узел) содержит метку..
Всеобъемлющее руководство по деревьям решений: от основ к продвинутым методам
Деревья решений — это тип алгоритма обучения с учителем, который обычно используется в задачах классификации. Они характеризуются своей древовидной структурой, в которой ряд узлов решений представляет функции или атрибуты классифицируемых данных, а конечные узлы представляют метки классов или окончательные решения, принятые деревом.
Процесс построения дерева решений начинается с корневого узла, который представляет собой признак, наиболее важный для определения метки класса. Эта..
Регрессия дерева решений
Регрессия дерева решений
- Быстрый прием: все, что вам нужно знать о регрессии дерева решений как новичок
Возможно, вы встречали модели линейной регрессии, множественной регрессии и полиномиальной регрессии. Кроме того, у нас есть много других моделей регрессии в машинном обучении, одна из которых - регрессия дерева решений . Модель дерева решений очень хороша для обработки табличных данных с числовыми характеристиками или категориальных характеристик с менее чем сотнями..