Ağaç tabanlı yöntemlerin sezgisi

R'de Supervised Learning: Regresyon

Nina Zumel and John Mount

Win-Vector, LLC

Örnek: Gebelik Süresi ve Yavru Sayısından hayvan zekâsını tahmin et

R'de Supervised Learning: Regresyon

Karar Ağaçları

Şu biçimde kurallar:

  • if a AND b AND c THEN y

Doğrusal olmayan kavramlar

  • aralıklar
  • tekdüze olmayan ilişkiler

toplamalı olmayan etkileşimler

  • AND: çarpmaya benzer
R'de Supervised Learning: Regresyon

Karar Ağaçları

  • IF Litter < 1.15 AND Gestation $\ge$ 268 $\rightarrow$ intelligence = 0.315
  • IF Litter IN [1.15, 4.3) $\rightarrow$ intelligence = 0.131
R'de Supervised Learning: Regresyon

Karar Ağaçları

Artı: Ağaçların İfade Gücü Yüksek Bir Kavram Uzayı Var

Model RMSE
linear 0.1200419
tree 0.1072732
R'de Supervised Learning: Regresyon

Karar Ağaçları

Eksi: Kaba Taneli Tahminler

R'de Supervised Learning: Regresyon

Ağaçların Doğrusal İlişkileri İfade Etmesi Zordur

Ağaçlar Eksen Hizalı Bölgeleri Tahmin Eder

Her renk farklı bir tahmin değeridir

R'de Supervised Learning: Regresyon

Ağaçların Doğrusal İlişkileri İfade Etmesi Zordur

Doğruları Basamaklarla İfade Etmek Zordur

R'de Supervised Learning: Regresyon

Ağaçlarla İlgili Diğer Sorunlar

  • Çok fazla bölünmeli ağaç (derin ağaç):
    • Çok karmaşık - aşırı uyum riski
  • Çok az bölünmeli ağaç (sığ ağaç):
    • Tahminler çok kaba taneli
R'de Supervised Learning: Regresyon

Ağaç Toplulukları

Topluluklar Tek Ağaçtan Daha İnce Taneli Tahminler Verir

R'de Supervised Learning: Regresyon

Ağaç Toplulukları

Topluluk Modeli, Tek Ağaçtan Daha İyi Hayvan Zekâsı Uydurur

Model RMSE
linear 0.1200419
tree 0.1072732
random forest 0.0901681
R'de Supervised Learning: Regresyon

Hadi pratik yapalım!

R'de Supervised Learning: Regresyon

Preparing Video For Download...