Proglib.academy | IT-курсы

🌳 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

www.tg-me.com/hk/Proglib academy | IT курсы/com.proglib_academy/2772

350 viewsMay 9 at 07:02

🌳 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