Regresija z naključnim gozdom napoveduje številske vrednosti s kombiniranjem številnih odločitvenih dreves. Vsako drevo se uči na naključnem vzorcu podatkov in naključni izbiri značilnic; rezultat je povprečje napovedi vseh dreves. Zaradi tega je metoda robustnejša in manj nagnjena k preveliko prileganju kot posamezno drevo. Uporablja se na primer za napovedi prodaje, ocene cen ali porabe energije – pogosto kot zanesljivo izhodišče za tabelarične podatke.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevOdločitveno drevo je model, ki odločitev predstavi kot zaporedje preprostih vprašanj z da/ne: vsaka veja preverja eno značilnost, vsak list pa podaja izid. Pri strojnem učenju se takšna drevesa samodejno naučijo iz podatkov in uporabljajo za klasifikacijo ali napovedovanje. Njihova glavna prednost je preglednost – na primer pokažejo, zakaj je bila prošnja za posojilo označena na podlagi dohodka, ročnosti in zgodovine plačil.
Bagging (okrajšava za bootstrap aggregating) je ansambelska metoda strojnega učenja: številni modeli se učijo na naključno izbranih vzorcih učnih podatkov, njihove napovedi pa se povprečijo ali združijo z večinskim glasovanjem. Rezultati so tako stabilnejši, prekomerno prilagajanje pa manjše. Najbolj znan primer je naključni gozd, ki združuje številna odločitvena drevesa – na primer za napovedovanje odhoda strank ali cen.
Gradientno ojačevanje (gradient boosting) je tehnika strojnega učenja, ki zaporedno združuje številne preproste modele – običajno majhna odločitvena drevesa. Vsako novo drevo se uči posebej zato, da zmanjša preostale napake prejšnjih. Rezultat so zelo natančni modeli za tabelarne podatke, na primer za kreditno tveganje, napovedi prodaje ali verjetnost odhoda strank. Znane izvedbe so XGBoost, LightGBM in CatBoost; za preprečevanje čezmernega prilagajanja je potrebno skrbno uravnavanje.
Linearna regresija je statistična metoda, ki odnos med ciljno spremenljivko in enim ali več napovednikov opisuje z ravno črto ali ravnino. Koeficienti se običajno izberejo tako, da je vsota kvadratov odstopanj najmanjša. Metoda je lahko razumljiva in razložljiva: z njo je mogoče na primer oceniti, koliko naraste prihodek, ko se oglaševalski proračun poveča za 1000 €. Pri nelinearnih odnosih naleti na meje.
