Telegram Group & Telegram Channel
🌳 Ветки в ML: как работает Random Forest

Если вы слышали про деревья решений, но не понимаете, зачем из них делают целый лес — вот схема, чтобы всё стало на свои места. Random Forest — это ансамбль из деревьев, который работает лучше, чем каждое по отдельности.

📦 Input: признаки (features)
🔁Output: предсказание (class или значение)

Step 1: Bootstrap-агрегация (bagging)
📦 Берём случайные подмножества данных
📦 Тренируем дерево на каждом из них
📦 Повторяем N раз

Step 2: Построение деревьев
📦 На каждой вершине выбираем случайный поднабор признаков
📦 Выбираем лучший сплит
📦 Растим дерево до конца (без обрезки)
📦 Повторяем для всех подмножеств

Step 3: Коллективное решение
📦 Все деревья делают предсказания
📦 Классификация: голосуем большинством
📦 Регрессия: считаем среднее

👉 Что важно:
— Каждое дерево «слепо» и нестабильно, но лес — устойчив
— Метод борется с переобучением
— Работает хорошо даже без тюнинга
— Обожают за explainability (важность признаков и out-of-the-box визуализацию)

🔵 Чтобы знать о машинном обучении все, забирайте наш курс «Базовые модели ML и приложения»

Proglib Academy
#буст
Please open Telegram to view this post
VIEW IN TELEGRAM



tg-me.com/proglib_academy/2772
Create:
Last Update:

🌳 Ветки в ML: как работает Random Forest

Если вы слышали про деревья решений, но не понимаете, зачем из них делают целый лес — вот схема, чтобы всё стало на свои места. Random Forest — это ансамбль из деревьев, который работает лучше, чем каждое по отдельности.

📦 Input: признаки (features)
🔁Output: предсказание (class или значение)

Step 1: Bootstrap-агрегация (bagging)
📦 Берём случайные подмножества данных
📦 Тренируем дерево на каждом из них
📦 Повторяем N раз

Step 2: Построение деревьев
📦 На каждой вершине выбираем случайный поднабор признаков
📦 Выбираем лучший сплит
📦 Растим дерево до конца (без обрезки)
📦 Повторяем для всех подмножеств

Step 3: Коллективное решение
📦 Все деревья делают предсказания
📦 Классификация: голосуем большинством
📦 Регрессия: считаем среднее

👉 Что важно:
— Каждое дерево «слепо» и нестабильно, но лес — устойчив
— Метод борется с переобучением
— Работает хорошо даже без тюнинга
— Обожают за explainability (важность признаков и out-of-the-box визуализацию)

🔵 Чтобы знать о машинном обучении все, забирайте наш курс «Базовые модели ML и приложения»

Proglib Academy
#буст

BY Proglib.academy | IT-курсы


Warning: Undefined variable $i in /var/www/tg-me/post.php on line 283

Share with your friend now:
tg-me.com/proglib_academy/2772

View MORE
Open in Telegram


Proglib academy | IT курсы Telegram | DID YOU KNOW?

Date: |

Importantly, that investor viewpoint is not new. It cycles in when conditions are right (and vice versa). It also brings the ineffective warnings of an overpriced market with it.Looking toward a good 2022 stock market, there is no apparent reason to expect these issues to change.

That growth environment will include rising inflation and interest rates. Those upward shifts naturally accompany healthy growth periods as the demand for resources, products and services rise. Importantly, the Federal Reserve has laid out the rationale for not interfering with that natural growth transition.It's not exactly a fad, but there is a widespread willingness to pay up for a growth story. Classic fundamental analysis takes a back seat. Even negative earnings are ignored. In fact, positive earnings seem to be a limiting measure, producing the question, "Is that all you've got?" The preference is a vision of untold riches when the exciting story plays out as expected.

Proglib academy | IT курсы from us


Telegram Proglib.academy | IT-курсы
FROM USA