과정 요약

이 과정에서 배운 내용을 요약하면 다음과 같습니다.

• 결정 트리는 모델입니다. 인코더-디코더 아키텍처를 조건을 구성하는 계층적으로 트리 형태입니다. 조건은 다양한 카테고리:
  • 축에 정렬된 조건에는 단일 특성으로만 구성될 수 있습니다 경사 조건에는 살펴보겠습니다
  • 바이너리 조건에는 두 가지 결과를 얻을 수 있습니다. 논바이너리 조건에 두 가지 결과가 있을 수 있습니다.
• 결정 트리를 학습시키기 위해서는 실행할 수도 있습니다 분할기 루틴 측정항목을 사용하여 정보 증가 또는 Gini를 사용하여 있습니다.
• 결정 포레스트는 여러 결정 트리로 구성된 모드입니다 결정 포레스트의 예측 결정 트리의 예측 집계입니다.
• 랜덤 포레스트는 학습한 결정 트리의 앙상블로 분류되며 노이즈를 더합니다.
• 배깅은 랜덤 포레스트의 각 결정 트리가 서로 다른 하위 집합에 대해 학습됨 살펴보겠습니다.
• 랜덤 포레스트에는 검증 데이터 세트가 필요하지 않습니다. 대신에 가장 무작위로 숲은 지구에서 자라나는 out-of-bag-evaluation 모델의 품질을 평가합니다
• 그라데이션 부스트 (결정) 트리 입력에 따른 반복적인 조정을 통해 학습된 결정 포레스트의 한 유형입니다 결정 트리를 살펴보겠습니다. 축소는 경사 강화 (결정) 트리가 학습하는 정도와 과적합일 수 있습니다

 

참조

• 그리디 함수 근사치: 경사 부스팅 머신, 제작을 프리드먼.
• 통계의 요소 학습, 트레버 헤이스티입니다. 10장.
• 일반화된 부스팅 모델: GBM 가이드 패키지가 포함되어 있다면 원작으로 하는 Ridgeway