निर्णय-वृक्ष और Random Forests

निर्णय वृक्ष आपकी विशेषताओं के बारे में हाँ-या-नहीं वाले प्रश्नों की शृंखला पूछते हुए वर्ग तय करता है, जब तक उसे उत्तर न मिल जाए। 🌳

हर शाखा-बिंदु एक विभाजन है, जैसे उम्र 30 से अधिक है या नहीं। उस जाँच के आधार पर डेटा बाएँ या दाएँ जाता है।

जब कोई उपयोगी प्रश्न बाकी नहीं रहता, तो आप एक पत्ती तक पहुँचते हैं। उस पत्ती में सबसे अधिक बार आने वाला वर्ग अनुमान बनता है।

वृक्ष हर विभाजन को इस तरह चुनता है कि समूह जितना संभव हो उतने शुद्ध हों। इसे जिनी अशुद्धता या एंट्रॉपी जैसे मानदंडों से मापा जाता है।

एक बड़ी ताकत व्याख्येयता है: आप प्रश्नों के रास्ते का अनुसरण करके ठीक-ठीक समझा सकते हैं कि अनुमान क्यों लगाया गया।

अगर रोक न लगाई जाए, तो वृक्ष गहरा बढ़कर प्रशिक्षण डेटा को याद कर लेता है। यह ओवरफिटिंग नए, अनदेखे डेटा पर सटीकता घटाती है।

अधिकतम_गहराई से वृद्धि सीमित करके आप वृक्ष को नियंत्रित करते हैं। इससे प्रशिक्षण डेटा पर थोड़ा कम मेल बैठता है, लेकिन नए डेटा पर सामान्यीकरण बहुत बेहतर होता है।

रैंडम फ़ॉरेस्ट कई वृक्षों को प्रशिक्षित करता है और उनसे मतदान करवाता है। यह समूह किसी अकेले गहरे वृक्ष से कहीं अधिक स्थिर होता है।

विविधता के लिए हर वृक्ष पंक्तियों के एक यादृच्छिक नमूने और विशेषताओं के एक यादृच्छिक उपसमुच्चय पर प्रशिक्षित होता है। यही विविधता इसका गुप्त हथियार है।

scikit-learn में यह एक ही पंक्ति में हो जाता है। समूह में शामिल होने वाले वृक्षों की संख्या चुनने के लिए वृक्ष_आकलकों_की_संख्या सेट करें।

प्रशिक्षित फ़ॉरेस्ट विशेषता_महत्त्व_ के माध्यम से बताता है कि कौन-से इनपुट सबसे अधिक महत्वपूर्ण थे। यह अनुमानों को प्रभावित करने वाली चीज़ों की त्वरित जानकारी देता है।

निर्णय वृक्ष प्रश्न पूछते-पूछते एक पत्ती तक पहुँचता है; रैंडम फ़ॉरेस्ट कई वृक्षों में मतदान करके ओवरफिटिंग घटाता है। 🎯