निर्णय-वृक्ष प्रतिगमन

निर्णय वृक्ष आपकी विशेषताओं के बारे में हाँ-या-नहीं वाले प्रश्न पूछकर और डेटा को चरण-दर-चरण बाँटकर संख्याओं का अनुमान लगाता है। सीधी रेखा की कोई आवश्यकता नहीं। 🌳

हर शाखा एक विभाजन है, जैसे क्या आकार 80 से अधिक है? वृक्ष लगातार प्रश्न पूछता रहता है और पंक्तियों को छोटे-छोटे समूहों में बाँटता जाता है।

सबसे नीचे पत्तियाँ होती हैं। हर पत्ती एक संख्या का अनुमान लगाती है: वहाँ पहुँचने वाली सभी प्रशिक्षण पंक्तियों के लक्ष्य मान का औसत।

वृक्ष कई विभाजन-बिंदु आज़माता है और वह बिंदु चुनता है जो बने हुए समूहों में अनुमान की त्रुटि को सबसे अधिक घटाता है। लालची ढंग से, एक बार में एक कदम।

परिचित fit-predict अनुबंध यहाँ भी लागू होता है। DecisionTreeRegressor बनाएँ, उसे fit करें और किसी भी अन्य आकलक की तरह predict करें।

क्योंकि हर पत्ती एक सपाट मान देती है, इसलिए वृक्ष के अनुमान किसी चिकने वक्र के बजाय सीढ़ीनुमा होते हैं। कई वास्तविक पैटर्न के लिए यह बिल्कुल ठीक है।

विभाजन किसी भी दिशा में मुड़ सकते हैं, इसलिए वृक्ष उन गैर-रेखीय संबंधों को पकड़ लेता है जिन्हें कोई रेखा पूरी तरह नज़रअंदाज़ कर देती। यही इसकी असली ताकत है।

अगर रोक न लगाई जाए, तो वृक्ष तब तक बढ़ता है जब तक हर पत्ती में एक पंक्ति न रह जाए और वह शोर को याद न कर ले। ऐसा गहरा वृक्ष ओवरफिट करता है और नए डेटा पर विफल रहता है।

अधिकतम_गहराई से वृद्धि को नियंत्रित करें। कम गहराई वाला वृक्ष सामान्य बना रहता है और उसे पढ़ना तथा उस पर भरोसा करना बहुत आसान होता है।

आप पत्ती_में_न्यूनतम_नमूने भी निर्धारित कर सकते हैं, ताकि पत्तियों में पर्याप्त पंक्तियाँ रहें। इससे वृक्ष बहुत छोटे और शोर-भरे समूह नहीं बनाता।

वृक्ष सीमाओं के आधार पर विभाजन करते हैं, इसलिए विशेषताओं की इकाइयों से कोई फर्क नहीं पड़ता। आप स्केलिंग छोड़ सकते हैं—Ridge और Lasso से यह एक अच्छा अंतर है।

निर्णय वृक्ष प्रश्नों के आधार पर डेटा बाँटता है, पत्ती के औसत से अनुमान लगाता है और गैर-रेखीय आकारों के अनुसार ढलता है। इसकी गहराई सीमित करें, ताकि यह नए डेटा पर भी अच्छा काम करे। 🎯