or
Den här övningen är en del av kursen
Klassificerings- och regressionsträd (CART) är en uppsättning övervakade inlärningsmodeller för klassificerings- och regressionsproblem. I det här kapitlet introduceras du till CART-algoritmen.
Avvägningen mellan bias och varians är ett av de grundläggande begreppen inom övervakad maskininlärning. I det här kapitlet lär du dig att diagnostisera problemen med överanpassning och underanpassning. Du introduceras också till konceptet ensembling, där förutsägelserna från flera modeller aggregeras för att ge mer robusta resultat.
Bagging är en ensemblemetod där samma algoritm tränas många gånger med olika delmängder från träningsdata. I det här kapitlet lär du dig hur bagging kan användas för att skapa ett trädensemble. Du lär dig också hur random forests-algoritmen kan öka mångfalden i ensemblen genom slumpmässighet på nivån för varje uppdelning i träden.
Aktuell övning
Boosting är en ensemblemetod där flera modeller tränas sekventiellt och varje modell lär sig av föregångares fel. I det här kapitlet introduceras du till de två boostingmetoderna AdaBoost och Gradient Boosting.
En maskininlärningsmodells hyperparametrar är parametrar som inte lärs in från data. De ska anges innan modellen anpassas till träningsdatan. I det här kapitlet lär du dig att justera hyperparametrarna hos en trädbaserad modell med hjälp av korsvalidering med rutnätssökning.