جنگل های تصمیم گیری
جنگل تصمیم یک اصطلاح عمومی برای توصیف مدل های ساخته شده از درخت های تصمیم گیری چندگانه است. پیش‌بینی جنگل تصمیم، تجمیع پیش‌بینی‌های درختان تصمیم آن است. اجرای این تجمیع به الگوریتم مورد استفاده برای آموزش جنگل تصمیم بستگی دارد. به عنوان مثال، در یک جنگل تصادفی طبقه‌بندی چند طبقه (نوعی جنگل تصمیم)، هر درخت به یک کلاس رای می‌دهد و پیش‌بینی جنگل تصادفی بیشترین کلاس را دارد. در طبقه‌بندی باینری درخت تقویت‌شده با گرادیان (GBT) (نوع دیگری از جنگل تصمیم‌گیری)، هر درخت یک logit (مقدار ممیز شناور) خروجی می‌دهد، و پیش‌بینی درخت تقویت‌شده گرادیان، مجموع مقادیری است که به دنبال آن یک تابع فعال‌سازی (مثلا سیگموید) ).
دو فصل بعدی به تفصیل آن دو الگوریتم جنگل تصمیم گیری را توضیح می دهد.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2024-10-26 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2024-10-26 بهوقت ساعت هماهنگ جهانی."],[[["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."]]],[]]
