Glossario

Regressione random forest

Che cos’è Regressione random forest?

La regressione random forest prevede valori numerici combinando molti alberi decisionali. Ogni albero viene addestrato su un campione casuale dei dati e con una selezione casuale di variabili; il risultato è la media delle previsioni di tutti gli alberi. Così il metodo è più robusto e meno soggetto a overfitting di un singolo albero. Si usa ad esempio per previsioni di vendita, stime di prezzo o fabbisogno energetico, spesso come solido punto di partenza con dati tabellari.

Temi

regressione
metodo ensemble
alberi decisionali

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Albero decisionale

Un albero decisionale è un modello che rappresenta una decisione come una sequenza di semplici domande sì/no: ogni ramo verifica una caratteristica, ogni foglia fornisce un risultato. Nel machine learning questi alberi vengono appresi automaticamente dai dati e usati per classificazioni o previsioni. Il loro punto di forza è la leggibilità, ad esempio per capire perché una richiesta di credito è stata segnalata in base a reddito, durata e storico dei pagamenti.

Machine learning
Classificazione
+1

Bagging

Il bagging (abbreviazione di bootstrap aggregating) è un metodo d'insieme del machine learning: molti modelli vengono addestrati su campioni estratti casualmente dai dati di addestramento e le loro previsioni sono mediate o combinate a maggioranza. Ciò rende i risultati più stabili e riduce l'overfitting. L'esempio più noto è la random forest, che unisce molti alberi decisionali, ad esempio per prevedere abbandoni dei clienti o prezzi.

Metodi d'insieme
Machine learning
+1

Gradient boosting

Il gradient boosting è una tecnica di machine learning che combina in sequenza molti modelli semplici, di solito piccoli alberi decisionali. Ogni nuovo albero viene addestrato per ridurre gli errori residui dei precedenti. Ne derivano modelli molto precisi per dati tabellari, ad esempio per rischio di credito, previsioni di vendita o probabilità di abbandono. Implementazioni note sono XGBoost, LightGBM e CatBoost; serve una taratura attenta per evitare l’overfitting.

Machine learning
Metodo ensemble
+1

Regressione lineare

La regressione lineare è un metodo statistico che descrive la relazione tra una variabile obiettivo e una o più variabili esplicative tramite una retta o un piano. I coefficienti vengono di solito scelti in modo da minimizzare la somma degli scarti al quadrato. Il metodo è semplice da capire e da interpretare: permette ad esempio di stimare di quanto aumenta il fatturato se il budget pubblicitario cresce di 1.000 euro. Con relazioni non lineari mostra i suoi limiti.

Statistica
Previsione
+1