ป่าการตัดสินใจ
ป่าการตัดสินใจเป็นคําทั่วไปที่ใช้อธิบายโมเดลที่สร้างจากต้นไม้การตัดสินใจหลายต้น การคาดการณ์ของป่าการตัดสินใจคือการรวมการคาดการณ์ของต้นไม้การตัดสินใจ การใช้งานการรวมนี้ขึ้นอยู่กับอัลกอริทึมที่ใช้ในการฝึกป่าการตัดสินใจ ตัวอย่างเช่น ใน Random Forest การจัดประเภทหลายคลาส (Decision Forest ประเภทหนึ่ง) ต้นไม้แต่ละต้นจะโหวตให้กับคลาสเดียว และการคาดการณ์ของ Random Forest คือคลาสที่มีการแสดงมากที่สุด ในต้นไม้ที่เพิ่มประสิทธิภาพด้วย Gradient (GBT) สำหรับการแยกประเภทแบบ 2 กลุ่ม (ป่าการตัดสินใจอีกประเภทหนึ่ง) ต้นไม้แต่ละต้นจะแสดงผลลัพธ์เป็นลอจิท (ค่าทศนิยม) และการคาดการณ์ของต้นไม้ที่เพิ่มประสิทธิภาพด้วย Gradient คือผลรวมของค่าเหล่านั้น ตามด้วยฟังก์ชันการเปิดใช้งาน (เช่น sigmoid)
2 บทถัดไปจะอธิบายอัลกอริทึมป่าการตัดสินใจ 2 รายการดังกล่าวโดยละเอียด
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-02-25 UTC
[null,null,["อัปเดตล่าสุด 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."]]],[]]