Podstawow\u0105 ide\u0105 drzewa decyzyjnego jest skonstruowanie \u201edrzewa\u201d przy u\u017cyciu zestawu zmiennych predykcyjnych, kt\u00f3re przewiduje warto\u015b\u0107 zmiennej odpowiedzi przy u\u017cyciu regu\u0142 decyzyjnych.<\/span><\/p>\n Na przyk\u0142ad mogliby\u015bmy u\u017cy\u0107 zmiennych predykcyjnych \u201elata gry\u201d i \u201e\u015brednia liczba home run\u00f3w\u201d, aby przewidzie\u0107 roczne wynagrodzenie zawodowych graczy w baseball.<\/span><\/p>\n Korzystaj\u0105c z tego zbioru danych, model drzewa decyzyjnego m\u00f3g\u0142by wygl\u0105da\u0107 tak:<\/span> <\/p>\n Oto jak interpretowaliby\u015bmy to drzewo decyzyjne:<\/span><\/p>\n G\u0142\u00f3wn\u0105 zalet\u0105 drzewa decyzyjnego jest to, \u017ce mo\u017cna je szybko dostosowa\u0107 do zbioru danych, a ostateczny model mo\u017cna wyra\u017anie zwizualizowa\u0107 i zinterpretowa\u0107 za pomoc\u0105 diagramu \u201edrzewa\u201d, takiego jak ten powy\u017cej.<\/span><\/p>\n G\u0142\u00f3wn\u0105 wad\u0105 jest to, \u017ce drzewo decyzyjne ma tendencj\u0119 do nadmiernego dopasowania<\/a> zbioru danych szkoleniowych, co oznacza, \u017ce prawdopodobnie b\u0119dzie s\u0142abo dzia\u0142a\u0107 na niewidocznych danych. Du\u017cy wp\u0142yw na to mog\u0105 mie\u0107 tak\u017ce warto\u015bci odstaj\u0105ce w zbiorze danych.<\/span><\/p>\n Rozszerzeniem drzewa decyzyjnego jest model znany jako las losowy<\/strong> , kt\u00f3ry w istocie jest zbiorem drzew decyzyjnych.<\/span><\/p>\n Oto kroki, kt\u00f3rych u\u017cywamy do utworzenia losowego modelu lasu:<\/span><\/p>\n 1.<\/strong> Pobierz pr\u00f3bki bootstrap z oryginalnego zbioru danych.<\/span><\/p>\n 2.<\/strong> Dla ka\u017cdej pr\u00f3bki bootstrap utw\u00f3rz drzewo decyzyjne, korzystaj\u0105c z losowego podzbioru zmiennych predykcyjnych.<\/span><\/p>\n 3.<\/strong> U\u015brednij przewidywania z ka\u017cdego drzewa, aby otrzyma\u0107 ostateczny model.<\/span><\/p>\n Zalet\u0105 las\u00f3w losowych jest to, \u017ce na niewidocznych danych zwykle dzia\u0142aj\u0105 znacznie lepiej ni\u017c drzewa decyzyjne i s\u0105 mniej podatne na warto\u015bci odstaj\u0105ce.<\/span><\/p>\n Wad\u0105 losowych las\u00f3w jest to, \u017ce nie ma mo\u017cliwo\u015bci wizualizacji ostatecznego modelu, a ich budowanie mo\u017ce zaj\u0105\u0107 du\u017co czasu, je\u015bli nie masz wystarczaj\u0105cej mocy obliczeniowej lub zbi\u00f3r danych, z kt\u00f3rym pracujesz, jest bardzo obszerny.<\/span><\/p>\n Poni\u017csza tabela podsumowuje zalety i wady drzew decyzyjnych w por\u00f3wnaniu z lasami losowymi:<\/span> <\/p>\n Oto kr\u00f3tkie wyja\u015bnienie ka\u017cdego wiersza w tabeli:<\/span><\/p>\n 1. Interpretowalno\u015b\u0107<\/strong><\/span><\/p>\n Drzewa decyzyjne s\u0105 \u0142atwe do interpretacji, poniewa\u017c mo\u017cemy utworzy\u0107 diagram drzewa w celu wizualizacji i zrozumienia ostatecznego modelu.<\/span><\/p>\n I odwrotnie, nie mo\u017cemy wizualizowa\u0107 losowego lasu i cz\u0119sto mo\u017ce by\u0107 trudno zrozumie\u0107, w jaki spos\u00f3b ostateczny model losowego lasu podejmuje decyzje.<\/span><\/p>\n 2. Dok\u0142adno\u015b\u0107<\/strong><\/span><\/p>\n Poniewa\u017c drzewa decyzyjne prawdopodobnie nadmiernie dopasowuj\u0105 si\u0119 do zbioru danych szkoleniowych, zwykle dzia\u0142aj\u0105 gorzej w przypadku niewidocznych zbior\u00f3w danych.<\/span><\/p>\n I odwrotnie, lasy losowe s\u0105 zwykle bardzo dok\u0142adne w przypadku niewidocznych zbior\u00f3w danych, poniewa\u017c pozwalaj\u0105 unikn\u0105\u0107 nadmiernego dopasowania zbior\u00f3w danych szkoleniowych.<\/span><\/p>\n 3. Nadmierne dopasowanie<\/strong><\/span><\/p>\n Jak wspomniano wcze\u015bniej, drzewa decyzyjne cz\u0119sto nadmiernie dopasowuj\u0105 si\u0119 do danych szkoleniowych: oznacza to, \u017ce prawdopodobnie dostosuj\u0105 si\u0119 do \u201eszumu\u201d zbioru danych, w przeciwie\u0144stwie do prawdziwego modelu bazowego.<\/span><\/p>\n I odwrotnie, poniewa\u017c lasy losowe wykorzystuj\u0105 tylko pewne zmienne predykcyjne do konstruowania ka\u017cdego indywidualnego drzewa decyzyjnego, ostateczne drzewa s\u0105 zwykle dekorowane, co oznacza, \u017ce jest ma\u0142o prawdopodobne, aby modele las\u00f3w losowych przekszta\u0142ci\u0142y zbiory danych.<\/span><\/p>\n 4. Warto\u015bci odstaj\u0105ce<\/strong><\/span><\/p>\n Drzewa decyzyjne s\u0105 bardzo podatne na wp\u0142yw warto\u015bci odstaj\u0105cych.<\/span><\/p>\n I odwrotnie, poniewa\u017c losowy model lasu buduje wiele indywidualnych drzew decyzyjnych, a nast\u0119pnie pobiera \u015bredni\u0105 z przewidywa\u0144 z tych drzew, znacznie mniej prawdopodobne jest, \u017ce b\u0119d\u0105 mia\u0142y na niego wp\u0142yw warto\u015bci odstaj\u0105ce.<\/span><\/p>\n 5. Obliczenia<\/strong><\/span><\/p>\n Drzewa decyzyjne mo\u017cna szybko dostosowa\u0107 do zbior\u00f3w danych.<\/span><\/p>\n Z drugiej strony losowe lasy wymagaj\u0105 znacznie wi\u0119kszej mocy obliczeniowej, a ich utworzenie mo\u017ce zaj\u0105\u0107 du\u017co czasu, w zale\u017cno\u015bci od rozmiaru zbioru danych.<\/span><\/p>\n Og\u00f3lnie:<\/span><\/p>\n Je\u015bli chcesz szybko stworzy\u0107 model nieliniowy i m\u00f3c \u0142atwo zinterpretowa\u0107 spos\u00f3b, w jaki model podejmuje decyzje, powiniene\u015b skorzysta\u0107 z drzewa decyzyjnego<\/strong> .<\/span><\/p>\n Je\u015bli jednak dysponujesz du\u017c\u0105 moc\u0105 obliczeniow\u0105<\/strong> i chcesz utworzy\u0107 model, kt\u00f3ry prawdopodobnie b\u0119dzie bardzo dok\u0142adny, nie martwi\u0105c si\u0119 o to, jak go zinterpretowa\u0107, powiniene\u015b u\u017cy\u0107 lasu losowego.<\/span><\/p>\n W prawdziwym \u015bwiecie in\u017cynierowie zajmuj\u0105cy si\u0119 uczeniem maszynowym i badacze danych cz\u0119sto korzystaj\u0105 z las\u00f3w losowych, poniewa\u017c s\u0105 one bardzo dok\u0142adne, a nowoczesne komputery i systemy cz\u0119sto radz\u0105 sobie z du\u017cymi zbiorami danych, z kt\u00f3rymi wcze\u015bniej nie mo\u017cna by\u0142o sobie poradzi\u0107.<\/span><\/p>\n Poni\u017csze samouczki stanowi\u0105 wprowadzenie do drzew decyzyjnych i modeli las\u00f3w losowych:<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak dopasowa\u0107 drzewa decyzyjne i losowe lasy w R:<\/span><\/p>\n Drzewo decyzyjne to rodzaj modelu uczenia maszynowego stosowanego, gdy relacja mi\u0119dzy zestawem zmiennych predykcyjnych a zmienn\u0105 odpowiedzi jest nieliniowa. Podstawow\u0105 ide\u0105 drzewa decyzyjnego jest skonstruowanie \u201edrzewa\u201d przy u\u017cyciu zestawu zmiennych predykcyjnych, kt\u00f3re przewiduje warto\u015b\u0107 zmiennej odpowiedzi przy u\u017cyciu regu\u0142 decyzyjnych. Na przyk\u0142ad mogliby\u015bmy u\u017cy\u0107 zmiennych predykcyjnych \u201elata gry\u201d i \u201e\u015brednia liczba home run\u00f3w\u201d, aby przewidzie\u0107 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2044","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n![\"przyk\u0142ad](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision2.png\")
<\/p>\n\n
Zalety i wady: drzewa decyzyjne vs. Losowe lasy<\/strong><\/span><\/h3>\n
![\"tabela](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision1.png\")
<\/p>\n Kiedy u\u017cywa\u0107 drzew decyzyjnych lub las\u00f3w losowych<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
\n
\n