Kottides on kõik üksikud puud üksteisest sõltumatud, kuna need arvestavad erinevate funktsioonide ja näidistega.
Mis on otsustuspuu kottimine?
Pattimist (bootstrap Aggregation) kasutatakse kui meie eesmärk on vähendada otsustuspuu dispersiooni. Siin on idee luua mitu andmete alamhulka treeningvalimist, mis valitakse juhuslikult koos asendamisega. … Kasutatakse kõigi erinevate puude ennustuste keskmist, mis on tugevam kui üksik otsustuspuu.
Miks kottidesse pakkimine tekitab korrelatsioonipuid?
Kõik meie kottidesse pandud puud kipuvad sama lõike, kuna neil kõigil on samad omadused. See muudab kõik need puud väga sarnaseks, suurendades seega korrelatsiooni. Puude korrelatsiooni lahendamiseks lubame juhuslikul metsal jaotamisel juhuslikult valida ainult m ennustajat.
Mis on juhusliku metsa kottimine?
Kottimine on komplektalgoritm, mis sobib mitme mudeliga treeningandmete komplekti erinevates alamhulkades ja kombineerib seejärel kõigi mudelite ennustused. Juhuslik mets on kottimise laiend, mis valib juhuslikult ka igas andmenäidis kasutatavate funktsioonide alamhulgad.
Kuidas kottimine juhuslikus metsas toimib?
Juhuslik metsaalgoritm on tegelikult pakkimisalgoritm: ka siin loome teie treeningkomplektist juhuslikud alglaadimisnäidised. Kuid lisaks bootstrapi näidistele ka meiejoonistada üksikute puude treenimiseks juhuslikud tunnuste alamhulgad; kottides pakume igale puule kõiki funktsioone.
