El Árbol de decisión hace que cada regla sea recursiva, por lo que no puede evaluar
una sola regla independientemente de su padre. Puedes evaluar la regla que
reside en la raíz podando cualquier otra cosa que no sea root y sus hijos.
Lo que intenta hacer es similar a la poda. Podar un nodo de decisión significa eliminar el subárbol enraizado en ese nodo, convirtiéndolo en un nodo hoja, y
asígnele la clase más común de los ejemplos de capacitación afiliados a ese nodo. Los nodos se eliminan solo si el árbol podado no funciona peor que la versión no podada sobre el conjunto de validación. Aquí está evaluando la regla en la que se está podando el nodo actual, pero la está evaluando en relación con todos sus antepasados, no solo.
Existen varios tipos de poda en función de si está eliminando nodos en dirección ascendente o descendente, la métrica que está utilizando para decidir podar, realizar la operación de poda mientras construye el árbol (poda previa) o la poda posterior en la que realiza árbol enorme y eliminar nodos después de la construcción del árbol de decisión. Solo poda el árbol de decisiones de Google y obtendrá más recursos al respecto.
- Cómo implementar Data Compression + Denoising usando Machine Learning
- ¿Cómo se debe comenzar a aprender big data y hadoop?
- ¿Existen aplicaciones para el aprendizaje automático / ciencia de datos en el campo de los vuelos espaciales?
- ¿Cuáles son los diferentes caminos para convertirse en un científico de datos en grandes empresas como Google o Facebook, si acabo de comenzar a trabajar como científico de datos en una startup de análisis de datos en India después de mi graduación en el campo de la electrónica?
- ¿Qué es mejor para un doctorado de aprendizaje automático, UMass Amherst o la Universidad de Edimburgo?
Si su motivo es reducir el tamaño del árbol o si desea evitar que la poda sobreadaptada lo ayude.