Random Forest untuk Regresi

Satu pohon tidak stabil dan terlebih padan. Hutan rawak menumbuhkan beratus-ratus pohon dan menggabungkannya menjadi satu ramalan yang lebih stabil. 🌲🌲

Setiap pohon membuat tekaan sendiri, kemudian hutan memuratakan semuanya. Kesilapan individu saling mengimbangi, lalu menghasilkan nombor yang lebih lancar dan boleh dipercayai.

Setiap pohon dilatih menggunakan sampel rawak baris yang diambil dengan penggantian, iaitu teknik yang dipanggil pensampelan but. Ini memberikan setiap pohon pandangan yang sedikit berbeza.

Pada setiap pembahagian, pohon juga hanya melihat subset ciri secara rawak. Kerawakan ini menghalang semua pohon daripada kelihatan sama.

Kepelbagaian ialah tujuan utamanya: apabila pohon tidak sependapat dengan cara yang berbeza, pemurataan mengurangkan turun naik besar yang berlaku pada satu pohon. Ini mengurangkan varians.

Kontraknya masih sama. Bina RandomForestRegressor, latihkannya dan buat ramalan, tanpa langkah tambahan.

Tetapan n_estimators menentukan bilangan pohon yang akan ditumbuhkan. Lebih banyak pohon biasanya membantu, kemudian mencapai tahap mendatar, dengan kos latihan yang lebih perlahan.

Anda juga boleh mengehadkan setiap pohon dengan max_depth. Digabungkan dengan banyak pohon, hutan kekal tepat tanpa menghafal hingar.

Bonus yang berguna: hutan melaporkan feature_importances_, dengan menyusun input yang paling banyak mempengaruhi ramalannya. Sangat baik untuk memahami data anda.

Hutan rawak ialah pilihan lalai yang hebat: tepat, sukar terlebih padan dan memerlukan sedikit pelarasan. Selalunya menjadi model kukuh pertama anda untuk data berjadual.

Pertukarannya ialah kejelasan. Dengan beratus-ratus pohon, anda kehilangan laluan tunggal yang mudah dan jelas, jadi hutan lebih sukar untuk diterangkan.

Hutan rawak memuratakan banyak pohon yang pelbagai, mengurangkan varians dan menentang terlebih padanan. Pilihan lalai yang kukuh dan memerlukan sedikit pelarasan untuk nombor berjadual. 🎯