A ideia b\u00e1sica por tr\u00e1s de uma \u00e1rvore de decis\u00e3o \u00e9 construir uma \u201c\u00e1rvore\u201d usando um conjunto de vari\u00e1veis preditoras que prev\u00ea o valor de uma vari\u00e1vel de resposta usando regras de decis\u00e3o.<\/span><\/p>\n Por exemplo, poder\u00edamos utilizar as vari\u00e1veis preditoras \u201canos jogados\u201d e \u201cm\u00e9dia de home runs\u201d para prever o sal\u00e1rio anual de jogadores profissionais de beisebol.<\/span><\/p>\n Usando este conjunto de dados, o modelo de \u00e1rvore de decis\u00e3o poderia ser assim:<\/span> <\/p>\n Aqui est\u00e1 como interpretar\u00edamos esta \u00e1rvore de decis\u00e3o:<\/span><\/p>\n A principal vantagem de uma \u00e1rvore de decis\u00e3o \u00e9 que ela pode ser adaptada rapidamente a um conjunto de dados e o modelo final pode ser claramente visualizado e interpretado usando um diagrama de \u201c\u00e1rvore\u201d como o acima.<\/span><\/p>\n A principal desvantagem \u00e9 que uma \u00e1rvore de decis\u00e3o tende a se ajustar demais<\/a> a um conjunto de dados de treinamento, o que significa que \u00e9 prov\u00e1vel que tenha um desempenho insatisfat\u00f3rio em dados n\u00e3o vistos. Isso tamb\u00e9m pode ser fortemente influenciado por valores discrepantes no conjunto de dados.<\/span><\/p>\n Uma extens\u00e3o da \u00e1rvore de decis\u00e3o \u00e9 um modelo conhecido como floresta aleat\u00f3ria<\/strong> , que \u00e9 essencialmente um conjunto de \u00e1rvores de decis\u00e3o.<\/span><\/p>\n Aqui est\u00e3o as etapas que usamos para criar um modelo de floresta aleat\u00f3rio:<\/span><\/p>\n 1.<\/strong> Obtenha amostras inicializadas do conjunto de dados original.<\/span><\/p>\n 2.<\/strong> Para cada amostra de bootstrap, crie uma \u00e1rvore de decis\u00e3o usando um subconjunto aleat\u00f3rio de vari\u00e1veis preditoras.<\/span><\/p>\n 3.<\/strong> Calcule a m\u00e9dia das previs\u00f5es de cada \u00e1rvore para obter um modelo final.<\/span><\/p>\n A vantagem das florestas aleat\u00f3rias \u00e9 que elas tendem a ter um desempenho muito melhor do que as \u00e1rvores de decis\u00e3o em dados n\u00e3o vistos e s\u00e3o menos propensas a valores discrepantes.<\/span><\/p>\n A desvantagem das florestas aleat\u00f3rias \u00e9 que n\u00e3o h\u00e1 como visualizar o modelo final e constru\u00ed-las pode levar muito tempo se voc\u00ea n\u00e3o tiver poder de computa\u00e7\u00e3o suficiente ou se o conjunto de dados com o qual voc\u00ea est\u00e1 trabalhando for extremamente volumoso.<\/span><\/p>\n A tabela a seguir resume as vantagens e desvantagens das \u00e1rvores de decis\u00e3o em compara\u00e7\u00e3o com as florestas aleat\u00f3rias:<\/span> <\/p>\n Aqui est\u00e1 uma breve explica\u00e7\u00e3o de cada linha da tabela:<\/span><\/p>\n 1. Interpretabilidade<\/strong><\/span><\/p>\n As \u00e1rvores de decis\u00e3o s\u00e3o f\u00e1ceis de interpretar porque podemos criar um diagrama de \u00e1rvore para visualizar e compreender o modelo final.<\/span><\/p>\n Por outro lado, n\u00e3o podemos visualizar uma floresta aleat\u00f3ria e muitas vezes pode ser dif\u00edcil entender como o modelo final da floresta aleat\u00f3ria toma decis\u00f5es.<\/span><\/p>\n 2. Precis\u00e3o<\/strong><\/span><\/p>\n Como as \u00e1rvores de decis\u00e3o provavelmente se ajustam demais a um conjunto de dados de treinamento, elas tendem a ter pior desempenho em conjuntos de dados n\u00e3o vistos.<\/span><\/p>\n Por outro lado, florestas aleat\u00f3rias tendem a ser muito precisas em conjuntos de dados n\u00e3o vistos porque evitam o ajuste excessivo de conjuntos de dados de treinamento.<\/span><\/p>\n 3. Sobreajuste<\/strong><\/span><\/p>\n Conforme mencionado anteriormente, as \u00e1rvores de decis\u00e3o muitas vezes se ajustam demais aos dados de treinamento: isso significa que elas provavelmente se adaptar\u00e3o ao \u201cru\u00eddo\u201d de um conjunto de dados, em oposi\u00e7\u00e3o ao verdadeiro modelo subjacente.<\/span><\/p>\n Por outro lado, como as florestas aleat\u00f3rias usam apenas certas vari\u00e1veis preditoras para construir cada \u00e1rvore de decis\u00e3o individual, as \u00e1rvores finais tendem a ser decoradas, o que significa que \u00e9 improv\u00e1vel que os modelos florestais aleat\u00f3rios se ajustem excessivamente aos conjuntos de dados.<\/span><\/p>\n 4. Valores discrepantes<\/strong><\/span><\/p>\n As \u00e1rvores de decis\u00e3o s\u00e3o muito suscet\u00edveis a serem afetadas por valores discrepantes.<\/span><\/p>\n Por outro lado, como um modelo florestal aleat\u00f3rio constr\u00f3i muitas \u00e1rvores de decis\u00e3o individuais e depois obt\u00e9m a m\u00e9dia das previs\u00f5es dessas \u00e1rvores, \u00e9 muito menos prov\u00e1vel que seja afetado por valores discrepantes.<\/span><\/p>\n 5. C\u00e1lculo<\/strong><\/span><\/p>\n As \u00e1rvores de decis\u00e3o podem ser rapidamente adaptadas aos conjuntos de dados.<\/span><\/p>\n Por outro lado, as florestas aleat\u00f3rias s\u00e3o muito mais intensivas em termos computacionais e podem levar muito tempo para serem criadas, dependendo do tamanho do conjunto de dados.<\/span><\/p>\n Geralmente:<\/span><\/p>\n Voc\u00ea deve usar uma \u00e1rvore de decis\u00e3o<\/strong> se quiser criar rapidamente um modelo n\u00e3o linear e poder interpretar facilmente como o modelo toma decis\u00f5es.<\/span><\/p>\n No entanto, voc\u00ea deve usar uma floresta aleat\u00f3ria<\/strong> se tiver muito poder computacional e quiser criar um modelo que provavelmente ser\u00e1 muito preciso, sem se preocupar em como interpretar o modelo.<\/span><\/p>\n No mundo real, engenheiros de aprendizado de m\u00e1quina e cientistas de dados costumam usar florestas aleat\u00f3rias porque s\u00e3o muito precisas e os computadores e sistemas modernos muitas vezes podem lidar com grandes conjuntos de dados que antes n\u00e3o podiam ser manipulados.<\/span><\/p>\n Os tutoriais a seguir fornecem uma introdu\u00e7\u00e3o \u00e0s \u00e1rvores de decis\u00e3o e aos modelos de floresta aleat\u00f3rios:<\/span><\/p>\n Os tutoriais a seguir explicam como ajustar \u00e1rvores de decis\u00e3o e florestas aleat\u00f3rias em R:<\/span><\/p>\n Uma \u00e1rvore de decis\u00e3o \u00e9 um tipo de modelo de aprendizado de m\u00e1quina usado quando o relacionamento entre um conjunto de vari\u00e1veis preditoras e uma vari\u00e1vel de resposta n\u00e3o \u00e9 linear. A ideia b\u00e1sica por tr\u00e1s de uma \u00e1rvore de decis\u00e3o \u00e9 construir uma \u201c\u00e1rvore\u201d usando um conjunto de vari\u00e1veis preditoras que prev\u00ea o valor […]<\/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":[],"class_list":["post-2045","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n![\"exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision2.png\")
<\/p>\n\n
Vantagens e Desvantagens: \u00c1rvores de Decis\u00e3o vs. Florestas Aleat\u00f3rias<\/strong><\/span><\/h3>\n
![\"tabela](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision1.png\")
<\/p>\n Quando usar \u00e1rvores de decis\u00e3o ou florestas aleat\u00f3rias<\/strong><\/span><\/h3>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
\n
\n