Kursta öğrendiklerinizin kısa bir özetini aşağıda bulabilirsiniz:
- Karar ağacı, hiyerarşik olarak bir ağaç şeklinde düzenlenmiş koşul koleksiyonundan oluşmuş bir modeldir. Koşullar çeşitli kategorilere ayrılır:
- Eksenli koşul yalnızca tek bir özellik içerir. Eğik koşul birden çok özellik içerir.
- İkili koşulun iki olası sonucu vardır. İkili olmayan bir koşulun ikiden fazla olası sonucu vardır.
- Karar ağacını eğitmek için her düğüm için en iyi koşulu aramak gerekir. Splitter rutini, en iyi koşulu belirlemek için bilgi kazanma veya Gini gibi metrikleri kullanır.
- Karar ormanı birden çok karar ağacından oluşan bir moddur. Karar ormanı için tahmin, karar ağaçlarından yapılan tahminlerin toplamıdır.
- Rastgele orman, her karar ağacının belirli bir rastgele gürültüyle eğitildiği bir karar ağaçları topluluğudur.
- Çarpma, rastgele ormandaki her karar ağacının farklı bir örnek alt kümesine göre eğitildiği bir tekniktir.
- Rastgele ormanlar için doğrulama veri kümesi gerekmez. Bunun yerine, rastgele ormanların çoğu, modelin kalitesini değerlendirmek için out-of-bag-evaluation adı verilen bir teknik kullanır.
- Gradyan artırma (karar) ağacı, giriş karar ağaçlarındaki yinelemeli ayarlamalarla eğitilen bir karar ormanıdır. Daraltma adı verilen bir değer, gradyan artırma (karar) ağacının öğrenme hızını ve ne kadar fazla olabileceğini kontrol eder.
Referanslar
- Greedy Function Yaklaşımı: Bir Gradyan Artırma Makinesi, J. Friedman.
- The Elements of Statistical Learning (İstatistiksel Öğrenmenin Öğeleri), Trevor Hastie. Bölüm 10
- Genelleştirilmiş Boosted Modeller: GBm paketi kılavuzu, G. Sırt Yolu