Los árboles de decisión impulsados por gradientes se encuentran entre los mejores métodos de aprendizaje supervisados disponibles en el mercado. Lograr una excelente precisión con solo modestos requisitos de memoria y tiempo de ejecución para realizar la predicción, una vez que el modelo ha sido entrenado.
Algunas de las principales aplicaciones comerciales del aprendizaje automático se han basado en árboles de decisión impulsados por gradientes.
Al igual que otros métodos de aprendizaje basados en el árbol de decisión, no es necesario aplicar el escalado de características para que el algoritmo funcione bien. Y los futuros pueden ser una mezcla de tipos binarios, categóricos y continuos.
- ¿Cómo es posible optimizar un sistema donde el entorno se modela a través de métodos de aprendizaje automático?
- ¿Cuáles son los trabajos más gratificantes para quienes desean trabajar en el aprendizaje profundo?
- ¿Cómo se comparan las bibliotecas de aprendizaje automático de Python con las de Go?
- ¿Cuál es la mejor arquitectura de red neuronal para procesar video?
- ¿Cuáles son algunos buenos ejemplos de reducción de dimensionalidad no lineal en datos de texto?
Los árboles de decisión potenciados tienen varios inconvenientes. Entonces, como los bosques aleatorios, los conjuntos de árboles son muy difíciles de interpretar para las personas, en comparación con los árboles de decisión individuales. Sin embargo, esto a menudo puede no importar para muchas aplicaciones donde la precisión de la predicción es el objetivo más importante.
Los métodos potenciados por gradiente pueden requerir un ajuste cuidadoso de la tasa de aprendizaje y otros parámetros, y el proceso de capacitación puede requerir muchos cálculos.
Cuando el espacio destacado tiene miles de características con valores dispersos, generalmente no es una buena opción por razones de precisión y costo computacional.
