Iepakošanas ietvaros katrs atsevišķs koks ir neatkarīgi viens no otra, jo tie ņem vērā dažādu pazīmju un paraugu apakškopu.
Kas ir sakrāšana lēmumu kokā?
Bagging (Bootstrap Aggregation) tiek izmantots ja mūsu mērķis ir samazināt lēmumu koka dispersiju. Šeit ideja ir izveidot vairākas datu apakškopas no apmācības parauga, kas nejauši izvēlēts ar aizstāšanu. … Tiek izmantots visu pareģojumu vidējais lielums no dažādiem kokiem, kas ir stabilāks nekā viens lēmumu koks.
Kāpēc iepakošana maisos rada korelētus kokus?
Visiem mūsu maisos ieliktajiem kokiem ir tendence veikt vienādus griezumus, jo tiem visiem ir vienādas īpašības. Tas liek visiem šiem kokiem izskatīties ļoti līdzīgiem, tādējādi palielinot korelāciju. Lai atrisinātu koku korelāciju, mēs ļaujam nejaušam mežam nejauši izvēlēties tikai m prognozētājus, veicot sadalīšanu.
Kas ir nejauša meža iekraušana maisos?
Bagging ir ansambļa algoritms, kas atbilst vairākiem modeļiem dažādās apmācības datu kopas apakškopās, pēc tam apvieno prognozes no visiem modeļiem. Izlases mežs ir iepakošanas paplašinājums, kas arī nejauši atlasa katrā datu paraugā izmantoto pazīmju apakškopas.
Kā notiek iepakošana maisos nejaušā mežā?
Nejaušais meža algoritms patiesībā ir iepakošanas algoritms: arī šeit mēs izvelkam nejaušus sāknēšanas paraugus no jūsu apmācības komplekta. Tomēr papildus bootstrap paraugiem mēs arīuzzīmējiet izlases pazīmju apakškopas atsevišķu koku apmācībai; iepakojot, mēs nodrošinām katru koku ar pilnu funkciju komplektu.
