Glosar

Regresie cu păduri aleatorii

Ce este Regresie cu păduri aleatorii?

Regresia cu păduri aleatorii prezice valori numerice combinând mulți arbori de decizie. Fiecare arbore este antrenat pe un eșantion aleatoriu al datelor și pe o selecție aleatorie de caracteristici; rezultatul este media predicțiilor tuturor arborilor. Metoda devine astfel mai robustă și mai puțin predispusă la supraajustare decât un singur arbore. Se folosește, de exemplu, pentru prognoze de vânzări, estimări de prețuri sau cererea de energie – adesea ca punct de pornire solid pentru date tabelare.

Subiecte

regresie
metodă de ansamblu
arbori de decizie

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul

← Toți termenii

Termeni înrudiți

Arbore de decizie

Un arbore de decizie este un model care reprezintă o decizie ca o succesiune de întrebări simple cu răspuns da/nu: fiecare ramură testează o caracteristică, iar fiecare frunză indică un rezultat. În machine learning, astfel de arbori sunt învățați automat din date și folosiți pentru clasificare sau prognoză. Principalul lor punct forte este transparența – de exemplu, arată de ce o cerere de credit a fost semnalată pe baza venitului, a duratei și a istoricului de plăți.

Învățare automată
Clasificare
+1

Bagging

Bagging (prescurtare de la bootstrap aggregating) este o metodă de ansamblu din învățarea automată: numeroase modele sunt antrenate pe eșantioane extrase aleatoriu din datele de antrenare, iar predicțiile lor sunt mediate sau combinate prin vot majoritar. Acest lucru face rezultatele mai stabile și reduce supraajustarea. Cel mai cunoscut exemplu este random forest, care combină numeroși arbori de decizie – de exemplu pentru a prognoza pierderea clienților sau prețurile.

Metode de ansamblu
Învățare automată
+1

gradient boosting

Gradient boosting este o tehnică de machine learning care combină, unul după altul, multe modele simple – de obicei arbori de decizie mici. Fiecare arbore nou este antrenat special pentru a reduce erorile rămase ale celor anteriori. Rezultatul sunt modele foarte precise pentru date tabelare, de exemplu pentru riscul de credit, prognoze de vânzări sau probabilitatea pierderii clienților. Implementări cunoscute sunt XGBoost, LightGBM și CatBoost; este nevoie de o reglare atentă pentru a evita supraînvățarea.

Învățare automată
metodă de ansamblu
+1

Regresia liniară

Regresia liniară este o metodă statistică ce descrie relația dintre o variabilă țintă și unul sau mai mulți predictori cu ajutorul unei drepte sau al unui plan. Coeficienții sunt aleși, de obicei, astfel încât să minimizeze suma pătratelor abaterilor. Metoda este ușor de înțeles și de interpretat: poate estima, de exemplu, cu cât cresc veniturile atunci când bugetul de publicitate crește cu 1.000 €. Își atinge limitele în cazul relațiilor neliniare.

Statistică
prognoză
+1