Γλωσσάριο

Παλινδρόμηση τυχαίου δάσους

Τι είναι Παλινδρόμηση τυχαίου δάσους;

Η παλινδρόμηση τυχαίου δάσους (random forest regression) προβλέπει αριθμητικές τιμές συνδυάζοντας πολλά δέντρα αποφάσεων. Κάθε δέντρο εκπαιδεύεται σε ένα τυχαίο δείγμα των δεδομένων και σε μια τυχαία επιλογή χαρακτηριστικών· το αποτέλεσμα είναι ο μέσος όρος των προβλέψεων όλων των δέντρων. Έτσι η μέθοδος είναι πιο ανθεκτική και λιγότερο επιρρεπής σε υπερπροσαρμογή από ένα μεμονωμένο δέντρο. Χρησιμοποιείται, για παράδειγμα, για προβλέψεις πωλήσεων, εκτιμήσεις τιμών ή ενεργειακή ζήτηση – συχνά ως στέρεο σημείο εκκίνησης για πινακοειδή δεδομένα.

Θέματα

παλινδρόμηση
μέθοδος συνόλου
δέντρα αποφάσεων

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Δέντρο αποφάσεων

Ένα δέντρο αποφάσεων είναι ένα μοντέλο που αναπαριστά μια απόφαση ως ακολουθία απλών ερωτήσεων ναι/όχι: κάθε κλάδος ελέγχει ένα χαρακτηριστικό και κάθε φύλλο δίνει ένα αποτέλεσμα. Στη μηχανική μάθηση, τέτοια δέντρα μαθαίνονται αυτόματα από δεδομένα και χρησιμοποιούνται για ταξινόμηση ή πρόβλεψη. Το κύριο πλεονέκτημά τους είναι η διαφάνεια – για παράδειγμα, δείχνουν γιατί μια αίτηση δανείου επισημάνθηκε με βάση το εισόδημα, τη διάρκεια και το ιστορικό πληρωμών.

Μηχανική μάθηση
Κατάταξη
+1

Bagging

Το bagging (συντομογραφία του bootstrap aggregating) είναι μια μέθοδος συνόλου στη μηχανική μάθηση: πολλά μοντέλα εκπαιδεύονται σε τυχαία επιλεγμένα δείγματα των δεδομένων εκπαίδευσης και οι προβλέψεις τους υπολογίζονται κατά μέσο όρο ή συνδυάζονται με ψηφοφορία πλειοψηφίας. Αυτό κάνει τα αποτελέσματα πιο σταθερά και μειώνει την υπερπροσαρμογή. Το πιο γνωστό παράδειγμα είναι το τυχαίο δάσος (random forest), που συνδυάζει πολλά δέντρα αποφάσεων – για παράδειγμα για την πρόβλεψη της απώλειας πελατών ή των τιμών.

Μέθοδοι συνόλου
Μηχανική μάθηση
+1

Gradient boosting

Το gradient boosting είναι μια τεχνική μηχανικής μάθησης που συνδυάζει πολλά απλά μοντέλα – συνήθως μικρά δέντρα αποφάσεων – διαδοχικά. Κάθε νέο δέντρο εκπαιδεύεται ειδικά ώστε να μειώνει τα εναπομείναντα σφάλματα των προηγούμενων. Το αποτέλεσμα είναι εξαιρετικά ακριβή μοντέλα για πινακοποιημένα δεδομένα, για παράδειγμα για πιστωτικό κίνδυνο, προβλέψεις πωλήσεων ή πιθανότητα διαρροής πελατών. Γνωστές υλοποιήσεις είναι τα XGBoost, LightGBM και CatBoost· απαιτείται προσεκτικός συντονισμός για να αποφευχθεί η υπερπροσαρμογή.

Μηχανική μάθηση
μέθοδος συνόλου (ensemble)
+1

Γραμμική παλινδρόμηση

Η γραμμική παλινδρόμηση είναι μια στατιστική μέθοδος που περιγράφει τη σχέση μεταξύ μιας εξαρτημένης μεταβλητής και μίας ή περισσότερων ανεξάρτητων μεταβλητών με μια ευθεία ή ένα επίπεδο. Οι συντελεστές επιλέγονται συνήθως ώστε να ελαχιστοποιείται το άθροισμα των τετραγώνων των αποκλίσεων. Η μέθοδος είναι εύκολη στην κατανόηση και στην ερμηνεία: για παράδειγμα, μπορεί να εκτιμήσει πόσο αυξάνονται τα έσοδα όταν ο διαφημιστικός προϋπολογισμός αυξάνεται κατά 1.000 €. Φτάνει στα όριά της με μη γραμμικές σχέσεις.

Στατιστική
πρόβλεψη
+1