Drzewa decyzyjne i lasy losowe
Klasyfikatory regułowe i zespołowe
Drzewa decyzyjne i lasy losowe to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Drzewo pytań
Drzewo decyzyjne klasyfikuje dane, zadając szereg pytań typu tak lub nie dotyczących cech, aż dotrze do odpowiedzi. 🌳
Podziały w każdym węźle
Każdy punkt rozgałęzienia to podział, czyli reguła w rodzaju: czy wiek jest większy niż 30? Na podstawie tego testu dane płyną w lewo lub w prawo.
Liście przechowują odpowiedź
Gdy nie pozostają już żadne użyteczne pytania, docieramy do liścia. Klasa dominująca w tym liściu staje się predykcją.
Wybór najlepszego podziału
Drzewo wybiera każdy podział tak, aby grupy były możliwie czyste, korzystając z kryteriów takich jak nieczystość Giniego lub entropia.
Łatwe do odczytania
Jedną z głównych zalet jest interpretowalność: można prześledzić ścieżkę pytań i dokładnie wyjaśnić, dlaczego powstała dana predykcja.
Drzewa łatwo ulegają przeuczeniu
Pozostawione bez ograniczeń drzewo staje się głębokie i zapamiętuje dane treningowe. Takie przeuczenie pogarsza dokładność dla nowych, niewidzianych wierszy.
Ogranicz głębokość
Możesz okiełznać drzewo, ograniczając jego wzrost za pomocą max_depth i poświęcając nieco dopasowania do danych treningowych na rzecz znacznie lepszego uogólniania.
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier(max_depth=4)Wiele drzew pokonuje jedno
Las losowy trenuje wiele drzew i pozwala im głosować. Tłum jest znacznie stabilniejszy niż pojedyncze głębokie drzewo.
Każde drzewo widzi mniej
Dla zwiększenia różnorodności każde drzewo jest trenowane na losowej próbce wierszy i losowym podzbiorze cech. Ta różnorodność jest sekretem skuteczności.
Zbuduj las
W scikit-learn wystarczy jedna linia. Ustaw n_estimators, aby wybrać liczbę drzew wchodzących w skład zespołu.
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100)Darmowa ważność cech
Wytrenowany las informuje, które dane wejściowe miały największe znaczenie, za pomocą feature_importances_ — to szybka wskazówka, co wpływa na predykcje.
model.feature_importances_Szybkie sprawdzenie
Sprawdźmy, dlaczego las poprawia wyniki pojedynczego drzewa.
Podsumowanie
Drzewo decyzyjne zadaje pytania aż do liścia, a las losowy głosuje na podstawie wielu drzew, ograniczając przeuczenie. 🎯
Często zadawane pytania
Czy lekcja „Drzewa decyzyjne i lasy losowe” jest bezpłatna?
Tak — pełny tekst „Drzewa decyzyjne i lasy losowe” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Drzewa decyzyjne i lasy losowe”?
Klasyfikatory regułowe i zespołowe Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Drzewa decyzyjne i lasy losowe”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Regresja logistyczna dla odpowiedzi tak/nie
- k-Nearest Neighbors
- Drzewa decyzyjne i lasy losowe
- Podstawy Gradient Boosting