Древо решений
Дерево решений - это контролируемый алгоритм машинного обучения, используемый для прогнозирования результатов по определенным правилам / инструкциям и выполняется путем разделения данных на различные подмножества. Как следует из названия, Дерево решений представляет собой древовидную модель решений и их результатов.
Что оно делает?
Дерево решений обычно начинается с одного узла, а затем расходится на его различные ветви. В машинном обучении он используется для решения проблемы путем разделения данных на подмножества. Он начинается с корневого узла и, в зависимости от условий, перемещается дальше вниз. Если условие истинно, предпочтительным является истинный узел, и наоборот, он продолжает выходить за пределы, пока не будет достигнут последний узел.
На приведенном выше рисунке показано дерево решений.
Корневой узел дерева решений определяется различными методами, мы можем сделать это путем расчета энтропии и информационного прироста. Метка с наивысшим информационным усилением выбирается в качестве корневого узла.
Приложения
- Управление здравоохранением.
- Банковский сектор.
- Обнаружение мошенничества.
и многое другое…
Использование дерева решений
Способ 1. Прямой импорт из библиотеки scikit learn в Python.
Ввод - из sklearn.tree импорта DecisionTreeClassifier
Способ 2 - Построение модели дерева решений с нуля.
Ограничения
- Они нестабильны.
- Они часто относительно неточны
- Обычно приводит к переобучению данных.
и т. д.
Здесь появляется случайный лес.
Картинка говорит: они оба отличаются друг от друга?
Ответ ДА!
Случайный лес
Случайный лес - это, по сути, множество деревьев решений, объединенных вместе. Случайный лес - это средство оценки, которое соответствует ряду деревьев решений на различных подвыборках набора данных и использует усреднение для повышения точности прогнозирования и контроля чрезмерной подгонки.
Что оно делает?
Классификатор случайного леса создает набор деревьев решений из случайно выбранного подмножества обучающих данных. Затем он получает голоса от всех деревьев решений и, наконец, объединяет их для принятия окончательного решения.
На приведенной выше диаграмме представлена работа Random Forest.
Приложения
- Механизмы рекомендаций
- Классификация изображений
- Выбор функции
и многое другое…
Использование классификатора случайного леса
Способ 1. Прямой импорт из библиотеки scikit learn в Python.
Ввод - из sklearn.ensemble импортировать RandomTreeClassifier
Способ 2 - Построение модели случайного леса с нуля.
Разное
Несомненно, жизнь - это случайный лес, но у нас есть власть принимать решения, и эти решения могут подтолкнуть нас к новым возможностям. Жизнь - не что иное, как отражение наших решений. «Жизнь предназначена для ЖИЗНИ» - либо вы выигрываете, либо учитесь.
Обратитесь к- https://medium.com/@bhartendudubey/life-is-meant-to-be-lived-80356033c156
Счастливых обучающихся!
Вы также можете посетить мои предыдущие блоги, нажав на их имя ниже -
- Google Colab
- Панды
- NumPy
- Матплотлиб
- OpenCV
- Предварительная обработка данных
- "Линейная регрессия"
Следуйте за мной в LinkedIn - https://www.linkedin.com/in/imvat18/