Random Forest voor regressie
Ensembles die overfitting tegengaan
Random Forest voor regressie is een gratis Data Science Academy-les op CoddyKit. Dit is les 4 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Data Science Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Data Science Academy bevat in totaal 4 lessen.
Eén boom, veel bomen
Een enkele boom is wankel en overfit snel. Een random forest laat honderden bomen groeien en combineert ze tot één stabielere voorspelling. 🌲🌲
De wijsheid van de massa
Elke boom doet zijn eigen gok, waarna het bos de uitkomsten gemiddeld neemt. Individuele fouten heffen elkaar op, waardoor een vloeiender en betrouwbaarder getal overblijft.
Verschillende rijen per boom
Elke boom wordt getraind op een willekeurige steekproef van rijen die met teruglegging is getrokken, een techniek die bootstrapping heet. Daardoor heeft elke boom een iets ander beeld.
Verschillende kenmerken per splitsing
Bij elke splitsing ziet een boom ook slechts een willekeurige deelverzameling van kenmerken. Deze willekeur voorkomt dat alle bomen op elkaar lijken.
Waarom variatie helpt
Variatie is precies het doel: wanneer bomen het op verschillende manieren oneens zijn, vermindert het middelen de grote uitschieters van één boom. Dat verlaagt de variantie.
Train hem in twee regels
Hetzelfde contract als altijd. Bouw een RandomForestRegressor, train deze en voorspel, zonder extra omhaal.
from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor().fit(X, y)Hoeveel bomen
De instelling n_estimators bepaalt hoeveel bomen je laat groeien. Meer bomen helpen meestal, waarna de verbetering afvlakt, ten koste van een tragere training.
RandomForestRegressor(n_estimators=300)Beperk de diepte nog steeds
Je kunt ook elke boom begrenzen met max_depth. In combinatie met veel bomen blijft het bos nauwkeurig zonder ruis uit het hoofd te leren.
RandomForestRegressor(max_depth=8)Ingebouwde belangrijkheid van kenmerken
Een handig extraatje: het bos rapporteert feature_importances_ en rangschikt welke invoerwaarden zijn voorspellingen het meest hebben gestuurd. Dat is nuttig om je gegevens te begrijpen.
model.feature_importances_Sterk en vergevingsgezind
Random forests zijn een geweldige standaardkeuze: nauwkeurig, moeilijk te overfitten en met weinig afstemming. Vaak is dit je eerste sterke model voor gegevens in tabelvorm.
De prijs van kracht
De wisselwerking zit in de duidelijkheid. Met honderden bomen verlies je het eenvoudige, leesbare pad van één boom, waardoor een bos moeilijker te uitleggen is.
Snelle controle
Wat zorgt ervoor dat een bos beter presteert dan één boom?
Samenvatting
Een random forest neemt het gemiddelde van veel verschillende bomen, verlaagt de variantie en is bestand tegen overfitting. Een sterke standaardkeuze met weinig afstemming voor getallen in tabelvorm. 🎯
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Random Forest voor regressie” gratis?
Ja — de volledige tekst van “Random Forest voor regressie” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Data Science Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Data Science Academy bevat in totaal 4 lessen.
Wat leer ik in “Random Forest voor regressie”?
Ensembles die overfitting tegengaan Je oefent met Data Science Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Data Science Academy te beginnen?
Ervaring vooraf is niet nodig. Data Science Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 4 van 4.
Hoe lang duurt de les “Random Forest voor regressie”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Data Science Academy?
Ja. Elke les over Data Science Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Lineaire regressie opnieuw bekeken
- Ridge- en Lasso-regularisatie
- Regressie met beslisbomen
- Random Forest voor regressie