Random Forest für Regression
Ensembles, die Overfitting widerstehen
Random Forest für Regression ist eine kostenlose Data Science Academy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Data Science Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Ein Baum, viele Bäume
Ein einzelner Baum ist instabil und überangepasst. Ein Random Forest erstellt Hunderte von Bäumen und kombiniert sie zu einer stabileren Vorhersage. 🌲🌲
Die Weisheit der Vielen
Jeder Baum trifft seine eigene Schätzung, dann mittelt der Forest sie. Einzelne Fehler gleichen sich aus, sodass eine glattere und zuverlässigere Zahl entsteht.
Unterschiedliche Zeilen pro Baum
Jeder Baum wird mit einer zufällig gezogenen Stichprobe von Zeilen mit Zurücklegen trainiert – ein Verfahren namens Bootstrapping. Dadurch erhält jeder Baum eine etwas andere Sicht auf die Daten.
Unterschiedliche Merkmale pro Split
Bei jedem Split sieht ein Baum außerdem nur eine zufällige Teilmenge der Merkmale. Diese Zufälligkeit verhindert, dass alle Bäume gleich aussehen.
Warum Vielfalt hilft
Vielfalt ist der eigentliche Zweck: Wenn sich Bäume auf unterschiedliche Weise irren, verringert ihr Mittelwert die starken Schwankungen eines einzelnen Baums. Dadurch sinkt die Varianz.
In zwei Zeilen trainieren
Der vertraute Ablauf bleibt gleich. Erstellen Sie einen RandomForestRegressor, passen Sie ihn an und treffen Sie Vorhersagen – ohne zusätzlichen Aufwand.
from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor().fit(X, y)Wie viele Bäume?
Die Einstellung n_estimators bestimmt, wie viele Bäume erstellt werden. Mehr Bäume helfen normalerweise zunächst und erreichen dann ein Plateau, allerdings auf Kosten eines langsameren Trainings.
RandomForestRegressor(n_estimators=300)Die Tiefe weiterhin begrenzen
Sie können auch jeden Baum mit max_depth begrenzen. Zusammen mit vielen Bäumen bleibt der Forest präzise, ohne sich das Rauschen zu merken.
RandomForestRegressor(max_depth=8)Integrierte Merkmalswichtigkeit
Ein praktischer Vorteil: Der Forest gibt feature_importances_ aus und ordnet, welche Eingaben seine Vorhersagen am stärksten beeinflusst haben. Das hilft sehr beim Verständnis Ihrer Daten.
model.feature_importances_Leistungsstark und fehlertolerant
Random Forests sind eine hervorragende Standardwahl: präzise, schwer zu überanpassen und mit wenig Abstimmung. Bei Tabellendaten sind sie oft Ihr erstes leistungsstarkes Modell.
Der Preis der Leistung
Der Kompromiss liegt in der Verständlichkeit. Bei Hunderten von Bäumen verlieren Sie den einfachen, lesbaren Pfad eines einzelnen Baums, sodass ein Forest schwerer zu erklären ist.
Schnelltest
Was macht einen Forest besser als einen einzelnen Baum?
Zusammenfassung
Ein random forest mittelt viele unterschiedliche Bäume und verringert dadurch die Varianz, wodurch er Überanpassung widersteht. Eine starke Standardwahl mit wenig Abstimmungsaufwand für Tabellendaten. 🎯
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Random Forest für Regression“ kostenlos?
Ja — der vollständige Text von „Random Forest für Regression“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Data Science Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Random Forest für Regression“?
Ensembles, die Overfitting widerstehen Du übst Data Science Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Data Science Academy zu starten?
Keine Vorkenntnisse erforderlich. Data Science Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Random Forest für Regression“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Data Science Academy-Lektion Code schreiben und ausführen?
Ja. Jede Data Science Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Lineare Regression erneut betrachtet
- Ridge- und Lasso-Regularisierung
- Entscheidungsbaum-Regression
- Random Forest für Regression