Özet - Karar ağaçları

Bu grupta karar ağaçlarını, bölme kriterlerini ve aşırı öğrenmeyi öğrendin.

Özet: karar ağaçları

Bu grupta:

Ağaç, veriyi evet/hayır sorularıyla böler; yapraklar karar verir, kurallar export_text ile okunur.
Bölmeler Gini (varsayılan) ya da entropiyle seçilir.
max_depth, min_samples_leaf, ccp_alpha ağacı sınırlar.
Sınırsız ağaç aşırı öğrenir; eğitim-test farkı bunun işaretidir.
Ölçeklendirme gerekmez; feature_importances_ özellik katkılarını verir.

Tek ağaçların kararsızlığı, ileride göreceğin random forest ve boosting ile giderilir.

Uygulama Ağaç regresyonu

DecisionTreeRegressor(max_depth=1) eğit. Tek bölme olduğu için yalnızca iki farklı tahmin vardır; [[2], [8]] için tahminleri yazdır.

Örnek çözümü göster

from sklearn.tree import DecisionTreeRegressor

X = [[1], [2], [3], [7], [8], [9]]
y = [10, 12, 11, 30, 32, 31]

m = DecisionTreeRegressor(max_depth=1).fit(X, y)
print(m.predict([[2], [8]]))

Kendini test et

Hangi model ölçeklendirmeye ihtiyaç duymaz?
- Mesafe tabanlı her model
- Karar ağacı
- KNN
- Ölçeksiz Ridge
Cevabı göster

Karar ağacı — Ağaç her özelliği ayrı bir eşikle karşılaştırır; birimler kararı değiştirmez.

Her yaprakta en az 5 örnek olsun.

m = DecisionTreeClassifier(____=5)

Cevabı göster

m = DecisionTreeClassifier(min_samples_leaf=5)

Kavramları eşleştir.

Gini

Safsızlık ölçüsü
export_text

Kuralları yazdırır
ccp_alpha

Budama gücü
DecisionTreeRegressor

Yaprakta ortalama

Sıradaki ders: Sınıflandırma nedir?

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler