Введение
Алгоритмы на основе деревьев считаются лучшими и широко используемыми методами контролируемого обучения. Они позволяют создавать прогностические модели с высокой точностью, силой и простотой интерпретации. Они в определенной степени хорошо отображают нелинейные взаимосвязи. Они гибко решают любые задачи, связанные с классификацией или регрессией.
Цель этой статьи - провести различие между алгоритмами машинного обучения по степени сложности. Древовидные алгоритмы - это важное семейство контролируемого машинного обучения. Оно решает задачи классификации и регрессии путем построения древовидной структуры. Это выполняется для определения класса целевой переменной или значения, оказывающего влияние на признаки.
Описание
Алгоритмы деревьев решений упоминаются как CART. Это расшифровывается как Classification and Regression Trees. Этот термин был предложен Брейманом и др. (1984). Исследование дерева классификации применяется, когда предсказанный результат является дискретным классом, которому соответствует модель данных. В качестве альтернативы, анализ дерева регрессии используется, когда прогнозируемый результат является непостоянной переменной. Например, цена дома или продолжительность пребывания пациента в больнице.
Как в регрессионных, так и в классификационных деревьях есть много сходства. Однако у них есть и несколько различий. Например, процедура, используемая для контроля того, куда делить дерево.
Плюсы и минусы CART
Они неформальны для понимания, и их производительность легко интерпретировать.
CART просты в использовании, а их гибкость дает им возможность определять нелинейные зависимости между признаками и метками.
CART не требуют большой предварительной обработки структур признаков перед их подачей в модель в качестве обучающего множества.
Однако CART имеют и различные ограничения. Например, дерево классификации способно давать только ортогональные границы принятия решений.
