La declaración técnicamente más precisa es que los árboles de decisión tienen límites de decisión perpendiculares de eje por partes. Cualquier pieza lisa del límite es un hiperplano plano cuya normalidad es paralela a uno de los ejes. piensa en piezas de Tetris de alta dimensión.
La función de desisión de un conjunto es una combinación booleana de las funciones de decisión individuales de los clasificadores base. Esto no cambia la propiedad anterior. Sin embargo, el límite de decisión combinado generalmente será mucho más fino. Las “hipercaras” planas serán mucho más pequeñas, ya que habrá un borde / esquina en cualquier lugar que en cualquiera de los clasificadores base tenga uno.
Imagine un límite de decisión oblicuo curvo y liso en 2 dimensiones. Cada árbol de decisión individual lo aproximará (mal) con una función de escalera (diferente). El conjunto se aproximará con una especie de superposición de las escaleras individuales. Esto sigue siendo una escalera pero con pasos mucho más pequeños y, por lo tanto, rastreará el límite real mucho mejor que los árboles individuales.
- Cómo especificar si quiero ejecutar una función de paquete Caret para clasificación o regresión
- ¿Cuáles son las principales áreas de la investigación bioinformática actual?
- ¿Por qué el aprendizaje automático, las redes neuronales y otros enfoques de IA, por ejemplo, no se usan más ampliamente en las predicciones del mercado de valores?
- Ingeniero de Aprendizaje Automático de Udacity Nanodegree: ¿Dónde están los proyectos?
- Sistemas de bases de datos: ¿Qué formatos de datos se utilizan para almacenar series de tiempo?
