or
Toto cvičení je součástí kurzu
Klasifikační a regresní stromy (CART) jsou skupinou modelů pro učení s učitelem, které se používají při klasifikaci i regresi. V této kapitole tě seznámíme s algoritmem CART.
Kompromis mezi biasem a variancí patří k základním konceptům učení s učitelem. V této kapitole se naučíš rozpoznat problémy přeučení a podučení. Seznámíš se také s konceptem ansámblování, při němž jsou předpovědi několika modelů agregovány, aby vznikly robustnější výsledky.
Bagging je ansámblová metoda, při níž se stejný algoritmus trénuje vícekrát na různých podmnožinách vzorkovaných z trénovacích dat. V této kapitole pochopíš, jak lze bagging využít k vytvoření stromového ansámblu. Dozvíš se také, jak algoritmus náhodných lesů dokáže dále zvýšit diverzitu ansámblu díky náhodnosti na úrovni každého rozdělení ve stromech, které ansámbel tvoří.
Aktuální cvičení
Boosting označuje ansámblovou metodu, při níž jsou modely trénovány postupně – každý model se učí z chyb svého předchůdce. V této kapitole se seznámíš se dvěma metodami boostingu: AdaBoost a Gradient Boosting.
Hyperparametry modelu Machine Learning jsou parametry, které se neučí z dat. Je třeba je nastavit ještě před přizpůsobením modelu trénovací množině. V této kapitole se naučíš ladit hyperparametry stromového modelu pomocí křížové validace s prohledáváním mřížky.