Lasy decyzyjne
Las decyzyjny to ogólny termin określający modele utworzone z wielu drzew decyzyjnych. Prognoza lasu decyzyjnego to agregacja prognoz jego drzew decyzyjnych. Sposób implementacji tej agregacji zależy od algorytmu użytego do trenowania lasu decyzyjnego. Na przykład w przypadku lasu losowego do klasyfikacji wieloklasowej (rodzaj lasu decyzyjnego) każde drzewo głosuje na jedną klasę, a prognoza lasu losowego jest klasą najczęściej reprezentowaną. W przypadku klasyfikacji binarnej drzewa gradient boosting (GBT) (inny typ lasu decyzyjnego) każde drzewo zwraca logit (wartość zmiennoprzecinkowa), a prognoza drzewa gradient boosting jest sumą tych wartości z dodatkiem funkcji aktywacyjnej (np. sigmoidalnej).
W kolejnych 2 rozdziałach omawiamy te 2 algorytmy lasów decyzyjnych.
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-02-25 UTC.
[null,null,["Ostatnia aktualizacja: 2025-02-25 UTC."],[[["Decision forests encompass models composed of multiple decision trees, with predictions derived from aggregating individual tree predictions."],["Prediction aggregation methods vary depending on the specific decision forest algorithm employed, such as voting in random forests or logit summation in gradient boosted trees."],["Random forests and gradient boosted trees are two primary examples of decision forest algorithms, each utilizing a unique approach to prediction aggregation."],["Upcoming chapters will delve deeper into the workings of random forests and gradient boosted trees."]]],[]]
