Słownik pojęć

Regresja lasu losowego

Czym jest Regresja lasu losowego?

Regresja lasu losowego przewiduje wartości liczbowe, łącząc wiele drzew decyzyjnych. Każde drzewo jest trenowane na losowej próbce danych i losowym wyborze cech; wynikiem jest średnia przewidywań wszystkich drzew. Dzięki temu metoda jest bardziej odporna i mniej podatna na przeuczenie niż pojedyncze drzewo. Stosuje się ją na przykład do prognoz sprzedaży, szacowania cen lub zapotrzebowania na energię – często jako solidny punkt wyjścia dla danych tabelarycznych.

Tematy

regresja
metoda zespołowa
drzewa decyzyjne

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Drzewo decyzyjne

Drzewo decyzyjne to model, który przedstawia decyzję jako ciąg prostych pytań tak/nie: każda gałąź sprawdza jedną cechę, a każdy liść podaje wynik. W uczeniu maszynowym takie drzewa są uczone automatycznie na podstawie danych i wykorzystywane do klasyfikacji lub prognozowania. Ich główną zaletą jest przejrzystość – na przykład pokazują, dlaczego wniosek kredytowy został oznaczony na podstawie dochodu, okresu kredytowania i historii spłat.

Uczenie maszynowe
Klasyfikacja
+1

Bagging

Bagging (skrót od bootstrap aggregating) to metoda zespołowa w uczeniu maszynowym: wiele modeli trenuje się na losowo wybranych próbach danych treningowych, a ich predykcje uśrednia się lub łączy w drodze głosowania większościowego. Dzięki temu wyniki są stabilniejsze, a ryzyko nadmiernego dopasowania mniejsze. Najbardziej znanym przykładem jest las losowy, który łączy wiele drzew decyzyjnych – na przykład w celu przewidywania odpływu klientów lub cen.

Metody zespołowe
Uczenie maszynowe
+1

wzmacnianie gradientowe

Wzmacnianie gradientowe (gradient boosting) to technika uczenia maszynowego, która łączy wiele prostych modeli – zwykle małych drzew decyzyjnych – jeden po drugim. Każde nowe drzewo jest trenowane specjalnie po to, by zmniejszyć pozostałe błędy poprzednich. Efektem są bardzo dokładne modele dla danych tabelarycznych, na przykład do oceny ryzyka kredytowego, prognoz sprzedaży czy prawdopodobieństwa odejścia klienta. Znane implementacje to XGBoost, LightGBM i CatBoost; konieczne jest staranne dostrajanie, aby uniknąć przeuczenia.

Uczenie maszynowe
metoda zespołowa
+1

Regresja liniowa

Regresja liniowa to metoda statystyczna opisująca zależność między zmienną docelową a jedną lub kilkoma zmiennymi objaśniającymi za pomocą prostej lub płaszczyzny. Współczynniki dobiera się zwykle tak, aby zminimalizować sumę kwadratów odchyleń. Metoda jest łatwa do zrozumienia i interpretacji: pozwala na przykład oszacować, o ile rosną przychody, gdy budżet reklamowy wzrasta o 1000 €. Jej granice pojawiają się przy zależnościach nieliniowych.

Statystyka
prognozowanie
+1