Régression par arbre de décision
Découpages non linéaires des données
Régression par arbre de décision est une leçon Data Science Academy gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Data Science Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Data Science Academy comprend 4 leçons au total.
Au-delà des droites
Un arbre de décision prédit des nombres en posant des questions oui/non sur vos caractéristiques et en séparant les données étape par étape. Aucune droite n'est nécessaire. 🌳
Les séparations sont les questions
Chaque branche correspond à une séparation, par exemple : la taille dépasse-t-elle 80 ? L'arbre continue de poser des questions et répartit les lignes en groupes de plus en plus petits.
Les feuilles contiennent la réponse
En bas se trouvent les feuilles. Chaque feuille prédit un nombre : la moyenne de la cible pour toutes les lignes d'entraînement qui y sont arrivées.
Choisir la meilleure séparation
L'arbre essaie de nombreux points de séparation et conserve celui qui réduit le plus l'erreur de prédiction dans les groupes obtenus. Il avance de manière gloutonne, une étape à la fois.
En entraîner un en deux lignes
Le fonctionnement familier fit-predict reste valable. Créez un DecisionTreeRegressor, ajustez-le, puis prédisez comme avec n'importe quel autre estimateur.
from sklearn.tree import DecisionTreeRegressor
model = DecisionTreeRegressor().fit(X, y)Les prédictions ressemblent à des marches
Comme chaque feuille fournit une valeur constante, les prédictions d'un arbre forment un escalier, et non une courbe régulière. Cela convient à de nombreux phénomènes réels.
Les arbres détectent les formes non linéaires
Les séparations peuvent s'incurver dans toutes les directions : un arbre capture donc des relations non linéaires qu'une droite manquerait complètement. C'est sa véritable force.
Les arbres profonds surapprennent
Si on ne le contrôle pas, un arbre grandit jusqu'à ce que chaque feuille contienne une seule ligne et mémorise le bruit. Cet arbre profond surapprend et échoue sur de nouvelles données.
Limiter la profondeur
Contrôlez la croissance avec max_depth. Un arbre moins profond reste général et est beaucoup plus facile à lire et à utiliser en confiance.
DecisionTreeRegressor(max_depth=4)Davantage de paramètres d'élagage
Vous pouvez aussi définir min_samples_leaf afin que les feuilles conservent suffisamment de lignes. Cela empêche l'arbre de créer de petits groupes bruités.
DecisionTreeRegressor(min_samples_leaf=10)Aucune mise à l'échelle nécessaire
Les arbres se séparent selon des seuils : les unités des caractéristiques n'ont donc pas d'importance. Vous pouvez ignorer la mise à l'échelle, ce qui les distingue agréablement de Ridge et Lasso.
Vérification rapide
Réfléchissez à la façon dont un arbre transforme des lignes en prédiction.
Récapitulatif
Un arbre de décision sépare les données avec des questions, prédit la moyenne d'une feuille et s'adapte aux formes non linéaires. Limitez sa profondeur pour qu'il généralise. 🎯
Questions Fréquemment Posées
La leçon « Régression par arbre de décision » est-elle gratuite ?
Oui — le texte complet de « Régression par arbre de décision » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Data Science Academy, passe à CoddyKit PRO. Le cours Data Science Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Régression par arbre de décision » ?
Découpages non linéaires des données Tu pratiques Data Science Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Data Science Academy ?
Aucune expérience préalable n'est requise. Data Science Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Régression par arbre de décision » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Data Science Academy ?
Oui. Chaque leçon Data Science Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Revisiter la régression linéaire
- Régularisation Ridge et Lasso
- Régression par arbre de décision
- Forêt aléatoire pour la régression