or
Ця вправа є частиною курсу
Дерева класифікації та регресії (CART) — це набір моделей контрольованого навчання для задач класифікації та регресії. У цьому розділі ви познайомитеся з алгоритмом CART.
Компроміс між зміщенням і дисперсією — одна з базових концепцій контрольованого машинного навчання. У цьому розділі ви навчитеся діагностувати проблеми перенавчання та недонавчання. Також ви познайомитеся з ідеєю ансамблювання, коли передбачення кількох моделей об'єднують, щоб отримати більш стійкі результати.
Бегінг — це ансамблевий метод, у межах якого один і той самий алгоритм навчають багато разів на різних підвибірках, взятих із тренувальних даних. У цьому розділі ви зрозумієте, як за допомогою бегінгу створити ансамбль дерев. Ви також дізнаєтеся, як алгоритм випадкових лісів забезпечує додаткове різноманіття ансамблю завдяки рандомізації на рівні кожного розбиття в деревах ансамблю.
Бустинг — це ансамблевий метод, у якому моделі навчають послідовно, і кожна наступна модель вчиться на помилках попередніх. У цьому розділі ви познайомитеся з двома підходами бустингу: AdaBoost і Gradient Boosting.
Гіперпараметри моделі машинного навчання — це параметри, які не навчаються з даних. Їх слід встановити до навчання моделі на тренувальній вибірці. У цьому розділі ви дізнаєтеся, як налаштовувати гіперпараметри деревоподібної моделі за допомогою перехресної перевірки з перебором по сітці (grid search).
Поточна вправа