Beslutningstrær og Random Forests
Regelbaserte klassifikatorer og ensembler.
Beslutningstrær og Random Forests er en gratis leksjon i Data Science Academy på CoddyKit. Dette er leksjon 3 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Data Science Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Et tre av spørsmål
Et beslutningstre klassifiserer ved å stille en rekke ja- eller nei-spørsmål om egenskapene dine til det når et svar. 🌳
Oppdelinger i hver node
Hvert forgreningspunkt er en oppdeling, en regel som «er alderen over 30?». Dataene går til venstre eller høyre basert på denne testen.
Bladene inneholder svaret
Når det ikke finnes flere nyttige spørsmål, når du et blad. Klassen som dominerer i bladet, blir prediksjonen.
Velge den beste oppdelingen
Et tre velger hver oppdeling slik at gruppene blir så rene som mulig, målt med kriterier som Gini-urenhet eller entropi.
Enkelt å lese
En viktig styrke er tolkbarhet: du kan følge spørsmålsstien og forklare nøyaktig hvorfor en prediksjon ble gjort.
Trær overtilpasser lett
Hvis det ikke begrenses, vokser et tre seg dypt og memorerer treningsdataene. Denne overtilpasningen svekker nøyaktigheten på nye, ukjente rader.
Begrens dybden
Du temmer et tre ved å begrense veksten med max_depth, og bytter litt tilpasning på treningsdataene mot langt bedre generalisering.
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier(max_depth=4)Mange trær slår ett
En random forest trener mange trær og lar dem stemme. Mengden er langt mer stabil enn ett enkelt dypt tre.
Hvert tre ser mindre
For å skape variasjon trenes hvert tre på et tilfeldig utvalg rader og et tilfeldig delsett av egenskaper. Dette mangfoldet er den hemmelige ingrediensen.
Bygg en skog
Det er én linje i scikit-learn. Angi n_estimators for å velge hvor mange trær som skal inngå i ensemblet.
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100)Gratis egenskapsviktighet
En trent skog viser hvilke inndata som betydde mest gjennom feature_importances_, en rask veiledning til hva som driver prediksjonene.
model.feature_importances_Rask sjekk
La oss bekrefte hvorfor en skog forbedrer resultatet sammenlignet med ett enkelt tre.
Oppsummering
Et beslutningstre stiller spørsmål ned til et blad; en random forest stemmer på tvers av mange trær for å redusere overtilpasning. 🎯
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «Beslutningstrær og Random Forests» gratis?
Ja – hele teksten i «Beslutningstrær og Random Forests» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Data Science Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «Beslutningstrær og Random Forests»?
Regelbaserte klassifikatorer og ensembler. Du øver på Data Science Academy med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Data Science Academy?
Ingen tidligere erfaring er nødvendig. Data Science Academy på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 3 av 4.
Hvor lang tid tar leksjonen «Beslutningstrær og Random Forests»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Data Science Academy-leksjonen?
Ja. Alle Data Science Academy-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Logistisk regresjon for ja/nei
- k-nærmeste naboer
- Beslutningstrær og Random Forests
- Det viktigste om gradient boosting