以下簡短說明您在本課程中學到的內容：
- 「決策樹狀圖」是一種模型，由一組在樹狀結構的階層式階層整理的條件組成。條件可分為以下幾種類別：
- 訓練決策樹狀圖時，必須在每個節點搜尋最佳條件。「Splitter」處理常式會使用資訊或 Gini 等指標來決定最佳條件。
- 「決策樹系」是由多個決策樹狀圖組成的模式。決策樹系的預測是其決策樹的預測結果匯總。
- 「隨機樹系」是一組龐大的決策樹，其中每個決策樹都會以特定的隨機雜訊訓練。
- 「Bagging」是一種技術，隨機樹系中的每個決策樹都會以不同的範例子集進行訓練。
- 隨機樹係不需要驗證資料集。反之，大部分的隨機樹係都會使用稱為out-of-bag-evaluation的技術來評估模型的品質。
- 梯度提升 (決策) 樹狀結構是種決策樹，透過從輸入決策樹進行疊代調整訓練的一種決策樹系。名為「shrinkage」的值可控制梯度提升 (決策) 樹狀結構的學習速率，以及該樹狀結構的過度配適程度。
參考資料
- 灰色函式預估：梯度提升機器、J. 弗里德曼
- Trevor Hastie 的統計學習元素。第 10 章。
- 通用增強模型：gbm 套件指南，G. Ridgeway