L’idea di base alla base di un albero decisionale \u00e8 costruire un “albero” utilizzando un insieme di variabili predittrici che prevedano il valore di una variabile di risposta utilizzando le regole decisionali.<\/span><\/p>\n Ad esempio, potremmo utilizzare le variabili predittive \u201canni giocati\u201d e \u201cfuoricampo medio\u201d per prevedere lo stipendio annuale dei giocatori di baseball professionisti.<\/span><\/p>\n Utilizzando questo set di dati, ecco come potrebbe apparire il modello dell’albero decisionale:<\/span> <\/p>\n Ecco come interpreteremmo questo albero decisionale:<\/span><\/p>\n Il vantaggio principale di un albero decisionale \u00e8 che pu\u00f2 essere adattato rapidamente a un set di dati e il modello finale pu\u00f2 essere visualizzato e interpretato chiaramente utilizzando un diagramma ad “albero” come quello sopra.<\/span><\/p>\n Lo svantaggio principale \u00e8 che un albero decisionale tende a adattarsi eccessivamente<\/a> a un set di dati di addestramento, il che significa che \u00e8 probabile che funzioni male su dati invisibili. Ci\u00f2 pu\u00f2 anche essere fortemente influenzato da valori anomali nel set di dati.<\/span><\/p>\n Un’estensione dell’albero decisionale \u00e8 un modello noto come foresta casuale<\/strong> , che \u00e8 essenzialmente un insieme di alberi decisionali.<\/span><\/p>\n Ecco i passaggi che utilizziamo per creare un modello di foresta casuale:<\/span><\/p>\n 1.<\/strong> Prendi campioni bootstrap dal set di dati originale.<\/span><\/p>\n 2.<\/strong> Per ciascun campione di bootstrap, creare un albero decisionale utilizzando un sottoinsieme casuale di variabili predittive.<\/span><\/p>\n 3.<\/strong> Media delle previsioni di ciascun albero per ottenere un modello finale.<\/span><\/p>\n Il vantaggio delle foreste casuali \u00e8 che tendono a funzionare molto meglio degli alberi decisionali su dati invisibili e sono meno inclini a valori anomali.<\/span><\/p>\n Lo svantaggio delle foreste casuali \u00e8 che non c’\u00e8 modo di visualizzare il modello finale e la loro costruzione pu\u00f2 richiedere molto tempo se non si dispone di potenza di calcolo sufficiente o se il set di dati con cui si lavora \u00e8 estremamente ingombrante.<\/span><\/p>\n La tabella seguente riassume i vantaggi e gli svantaggi degli alberi decisionali rispetto alle foreste casuali:<\/span> <\/p>\n Di seguito \u00e8 riportata una breve spiegazione di ciascuna riga della tabella:<\/span><\/p>\n 1. Interpretabilit\u00e0<\/strong><\/span><\/p>\n Gli alberi decisionali sono facili da interpretare perch\u00e9 possiamo creare un diagramma ad albero per visualizzare e comprendere il modello finale.<\/span><\/p>\n Al contrario, non possiamo visualizzare una foresta casuale e spesso pu\u00f2 essere difficile capire come il modello finale della foresta casuale prenda le decisioni.<\/span><\/p>\n 2. Precisione<\/strong><\/span><\/p>\n Poich\u00e9 \u00e8 probabile che gli alberi decisionali si adattino eccessivamente a un set di dati di addestramento, tendono a funzionare peggio su set di dati invisibili.<\/span><\/p>\n Al contrario, le foreste casuali tendono ad essere molto precise su set di dati invisibili perch\u00e9 evitano l’adattamento eccessivo dei set di dati di addestramento.<\/span><\/p>\n 3. Adattamento eccessivo<\/strong><\/span><\/p>\n Come accennato in precedenza, gli alberi decisionali spesso si adattano eccessivamente ai dati di addestramento: ci\u00f2 significa che \u00e8 probabile che si adattino al “rumore” di un set di dati, in contrapposizione al vero modello sottostante.<\/span><\/p>\n Al contrario, poich\u00e9 le foreste casuali utilizzano solo determinate variabili predittive per costruire ogni singolo albero decisionale, gli alberi finali tendono ad essere decorati, il che significa che \u00e8 improbabile che i modelli di foreste casuali si adattino eccessivamente ai set di dati.<\/span><\/p>\n 4. Valori anomali<\/strong><\/span><\/p>\n Gli alberi decisionali sono molto suscettibili a essere influenzati da valori anomali.<\/span><\/p>\n Al contrario, poich\u00e9 un modello di foresta casuale costruisce molti alberi decisionali individuali e poi prende la media delle previsioni da quegli alberi, \u00e8 molto meno probabile che sia influenzato da valori anomali.<\/span><\/p>\n 5. Calcolo<\/strong><\/span><\/p>\n Gli alberi decisionali possono essere rapidamente adattati ai set di dati.<\/span><\/p>\n Al contrario, le foreste casuali richiedono un utilizzo molto pi\u00f9 intenso dal punto di vista computazionale e possono richiedere molto tempo per la creazione, a seconda delle dimensioni del set di dati.<\/span><\/p>\n Generalmente:<\/span><\/p>\n Dovresti utilizzare un albero decisionale<\/strong> se desideri creare rapidamente un modello non lineare ed essere in grado di interpretare facilmente il modo in cui il modello prende le decisioni.<\/span><\/p>\n Tuttavia, dovresti utilizzare una foresta casuale<\/strong> se disponi di molta potenza di calcolo e desideri creare un modello che sia probabilmente molto accurato senza preoccuparti di come interpretarlo.<\/span><\/p>\n Nel mondo reale, gli ingegneri e i data scientist del machine learning utilizzano spesso foreste casuali perch\u00e9 sono molto precise e i computer e i sistemi moderni sono spesso in grado di gestire set di dati di grandi dimensioni che prima non potevano essere gestiti.<\/span><\/p>\n Le seguenti esercitazioni forniscono un’introduzione agli alberi decisionali e ai modelli di foreste casuali:<\/span><\/p>\n I seguenti tutorial spiegano come adattare alberi decisionali e foreste casuali in R:<\/span><\/p>\n Un albero decisionale \u00e8 un tipo di modello di machine learning utilizzato quando la relazione tra un insieme di variabili predittive e una variabile di risposta non \u00e8 lineare. L’idea di base alla base di un albero decisionale \u00e8 costruire un “albero” utilizzando un insieme di variabili predittrici che prevedano il valore di una variabile […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n![\"esempio](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision2.png\")
<\/p>\n\n
Vantaggi e svantaggi: alberi decisionali vs. Foreste casuali<\/strong><\/span><\/h3>\n
![\"tabella](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision1.png\")
<\/p>\n Quando utilizzare alberi decisionali o foreste casuali<\/strong><\/span><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
\n
\n