Regresija slučajnom šumom predviđa numeričke vrijednosti kombiniranjem mnogih stabala odlučivanja. Svako stablo trenira se na slučajnom uzorku podataka i slučajnom izboru značajki; rezultat je prosjek predviđanja svih stabala. Zbog toga je metoda robusnija i manje sklona pretreniranosti od pojedinačnog stabla. Koristi se, primjerice, za prognoze prodaje, procjene cijena ili potrošnju energije – često kao solidna polazna točka za tablične podatke.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoStablo odlučivanja je model koji odluku prikazuje kao niz jednostavnih pitanja s odgovorom da/ne: svaka grana provjerava jedno obilježje, a svaki list daje ishod. U strojnom učenju takva se stabla automatski uče iz podataka i koriste za klasifikaciju ili predviđanje. Glavna im je prednost transparentnost – primjerice, pokazuju zašto je zahtjev za kredit označen na temelju prihoda, roka i povijesti plaćanja.
Bagging (skraćeno od bootstrap aggregating) ansambl je metoda strojnog učenja: mnogo modela uči se na nasumično odabranim uzorcima podataka za učenje, a njihova se predviđanja usrednjavaju ili kombiniraju većinskim glasanjem. Time rezultati postaju stabilniji, a prenaučenost se smanjuje. Najpoznatiji je primjer slučajna šuma (random forest), koja kombinira mnogo stabala odlučivanja – primjerice za predviđanje odljeva kupaca ili cijena.
Gradijentno pojačavanje (gradient boosting) tehnika je strojnog učenja koja jedan za drugim kombinira mnogo jednostavnih modela – obično malih stabala odlučivanja. Svako novo stablo trenira se posebno kako bi smanjilo preostale pogreške prethodnih. Rezultat su vrlo točni modeli za tablične podatke, primjerice za kreditni rizik, prognoze prodaje ili vjerojatnost odlaska klijenata. Poznate implementacije su XGBoost, LightGBM i CatBoost; potrebno je pažljivo podešavanje kako bi se izbjegla pretreniranost.
Linearna regresija statistička je metoda koja odnos između ciljne varijable i jednog ili više prediktora opisuje pravcem ili ravninom. Koeficijenti se obično biraju tako da minimiziraju zbroj kvadrata odstupanja. Metoda je laka za razumijevanje i interpretaciju: primjerice, može procijeniti koliko raste prihod kada se proračun za oglašavanje poveća za 1000 €. Dolazi do granica kod nelinearnih odnosa.
