No estoy seguro de todo, pero para algunos,
Ada boost es un enfoque muy bueno, ya que corrige sus errores, sin embargo, la mayor deficiencia que conozco es que en los datos ruidosos cuando tienes valores atípicos, debido a la naturaleza del algoritmo, se adapta a ellos. Por lo tanto, es sensible a los valores atípicos.
Random Forest, es una forma muy buena e inteligente de evitar el ajuste excesivo. También puede realizar la selección de funciones implícitamente. Todavía no conozco ninguna deficiencia, la he visto utilizada en muchos lugares. Por un lado, dependiendo del número de trenzas que cultives, durante el entrenamiento toman bastante tiempo.
- ¿Dónde puede encontrar ejemplos de codificación de TensorFlow no obsoletos?
- Usando TensorFlow, ¿cómo construiría una IA que pueda reconocer patrones en secuencias numéricas y luego transmitir el patrón al usuario? Está destinado a aprender los patrones que le doy de comer.
- ¿Me puede dar explicaciones completas de AI y ML?
- Si pudieras elegir cinco miembros perfectos para un equipo de desarrollo de aprendizaje automático y en la nube, ¿qué habilidades requerirías que tuvieran?
- ¿De qué manera es una 'Máquina de Turing Neural Lie Access' superior a las NTM normales?
No estaba al tanto de árboles adicionales como tal, e hice una lectura rápida. Sería similar a los bosques aleatorios, pero con un costo computacional menor, ya que solo estamos aleatorizando cosas en cada nodo. Como no estoy seguro de esto, tómalo con una pizca de sal. 🙂
y sí, por último pero no menos importante. Los árboles de decisión sufren de un ajuste excesivo de los datos de entrenamiento. (Bastante obvio por ahora)
Espero eso ayude,
