Леса решений
Лес решений — это общий термин для описания моделей, состоящих из нескольких деревьев решений. Прогнозирование леса решений — это совокупность прогнозов его деревьев решений. Реализация этого агрегирования зависит от алгоритма, используемого для обучения леса решений. Например, в случайном лесу с многоклассовой классификацией (тип леса решений) каждое дерево голосует за один класс, а предсказание случайного леса является наиболее представленным классом. В дереве двоичной классификации с градиентным усилением (GBT) (еще один тип леса решений) каждое дерево выводит логит (значение с плавающей запятой), а предсказание дерева с градиентным усилением представляет собой сумму этих значений, за которой следует функция активации (например, сигмовидная).
В следующих двух главах подробно описаны эти два алгоритма леса решений.
Если не указано иное, контент на этой странице предоставляется по лицензии Creative Commons "С указанием авторства 4.0", а примеры кода – по лицензии Apache 2.0. Подробнее об этом написано в правилах сайта. Java – это зарегистрированный товарный знак корпорации Oracle и ее аффилированных лиц.
Последнее обновление: 2025-02-25 UTC.
[null,null,["Последнее обновление: 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."]]],[]]
