Drzewa pakowane vs. las losowy

Jaka jest główna różnica między dwiema metodami zespołowymi: drzewami pakowanymi (bagged trees) a lasem losowym (random forest)?

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w R

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w R

SkillTag.level.beginnerSkillTag.label

4.9+

263 reviews

Rozpocznij kurs za darmo

Gotowy na budowę prawdziwego pipeline'u uczenia maszynowego? Wykonaj ćwiczenia krok po kroku, aby nauczyć się tworzyć drzewa decyzyjne, dzielić dane i przewidywać, u których pacjentów najczęściej występuje cukrzyca. Na koniec zbudujesz miary wydajności, które pozwolą ci ocenić modele i zweryfikować prognozy.

Exercise 1: Witaj na kursie!Exercise 2: Dlaczego metody drzewiaste?Exercise 3: Zdefiniuj drzewo Exercise 4: Wytrenuj model Exercise 5: Jak zbudować swoje drzewo Exercise 6: Podział na zbiór treningowy i testowy Exercise 7: Unikanie nierównowagi klas Exercise 8: Od zera do bohatera Exercise 9: Przewidywanie i ocena modelu Exercise 10: Tworzenie prognoz Exercise 11: Rozszyfruj macierz Exercise 12: Czy twoje przewidywania są poprawne?

Gotowy na słodką dawkę wiedzy? Wykorzystaj zbiór danych z ocenami czekolady do budowania drzew regresyjnych i oceniaj ich działanie za pomocą odpowiednich miar błędu. Przezwyciężysz statystyczne ograniczenia pojedynczego podziału na zbiór treningowy i testowy, stosując techniki takie jak kroswalidacja, a następnie zagłębisz się jeszcze bardziej, opanowując kompromis między obciążeniem a wariancją.

Exercise 1: Ciągłe wyniki Exercise 2: Trenowanie drzewa regresji Exercise 3: Przewidywanie nowych wartości Exercise 4: Sprawdź wyniki modelu Exercise 5: Miary wydajności drzew regresji Exercise 6: Wydajność na danych treningowych Exercise 7: Wydajność na danych testowych Exercise 8: Większy błąd, większa kara Exercise 9: Walidacja krzyżowa Exercise 10: Tworzenie podziałów Exercise 11: Dopasuj podziały Exercise 12: Oceń fałdy Exercise 13: Kompromis między obciążeniem a wariancją Exercise 14: Nazwij rzeczy po imieniu Exercise 15: Dostosuj złożoność modelu Exercise 16: Wydajność na danych treningowych i testowych

Czas poważnie zabrać się za strojenie hiperparametrów i interpretację krzywych charakterystyki odbiornika (ROC). W tym rozdziale wykorzystasz siłę zbiorowej mądrości, stosując modele zespołowe – takie jak bagging czy lasy losowe – i zbudujesz zespoły prognozujące, którzy klienci kart kredytowych są najbardziej skłonni do rezygnacji.

Exercise 1: Strojenie hiperparametrów Exercise 2: Tworzenie siatki dostrajania Exercise 3: Dostrajanie na siatce hiperparametrów Exercise 4: Wybór zwycięzcy Exercise 5: Więcej miar modelu Exercise 6: Oblicz specyficzność Exercise 7: Narysuj krzywą ROC Exercise 8: Pole pod krzywą ROC Exercise 9: Drzewa boostrapowane Exercise 10: Tworzenie modeli drzew workowanych Exercise 11: Próbkowanie wewnętrzne – krzywa ROC i AUC Exercise 12: Sprawdzanie overfittingu Exercise 13: Las losowy Exercise 14: Drzewa pakowane vs. las losowy

Bieżące ćwiczenie

Exercise 15: Ważność zmiennych

Gotowy na szczyt możliwości modeli drzewiastych? Zastosuj gradient boosting, aby tworzyć potężne zespoły przewyższające wszystko, co do tej pory widziałeś i budowałeś. Dowiesz się, jak je dostrajać i jak porównywać różne modele, by wybrać najlepszy do wdrożenia produkcyjnego.

Exercise 1: Wprowadzenie do boostingu Exercise 2: Bagging a boosting Exercise 3: Definiowanie wzmocnionego zespołu modeli Exercise 4: Gradient boosting Exercise 5: Trenowanie wzmocnionego zespołu modeli Exercise 6: Oceń ensemble Exercise 7: Porównanie z pojedynczym klasyfikatorem Exercise 8: Optymalizacja wzmocnionego zespołu modeli Exercise 9: Przygotowanie do strojenia Exercise 10: Właściwe strojenie Exercise 11: Finalizacja modelu Exercise 12: Porównanie modeli Exercise 13: Porównanie AUC Exercise 14: Wykresy krzywych ROC Exercise 15: Podsumowanie