Los conjuntos de árboles de decisión (como Random Forests, que es un término registrado para una implementación particular) son muy rápidos de entrenar, pero bastante lentos para crear predicciones una vez entrenados. Los conjuntos más precisos requieren más árboles, lo que significa que el uso del modelo se vuelve más lento. En la mayoría de las situaciones prácticas, este enfoque es lo suficientemente rápido, pero ciertamente puede haber situaciones en las que el rendimiento en tiempo de ejecución es importante y, por lo tanto, se preferirían otros enfoques.
Por supuesto, es importante reconocer que es una herramienta de modelado predictivo, no una herramienta descriptiva; si está buscando una descripción de las relaciones en sus datos, debe buscar otras opciones.
En general, para un modelado predictivo rápido, simple y flexible, los conjuntos de árboles de decisión son probablemente la herramienta pragmática única más útil disponible en la actualidad, pero como cualquier método tienen sus limitaciones.
- ¿Son las redes aditivas recurrentes universalmente mejores que las LSTM y GRU?
- ¿En qué deberían centrarse los gerentes de productos de software que son nuevos en AI / Machine Learning? Los cursos en línea son extremadamente técnicos. ¿Es eso lo que se necesita?
- ¿Es posible que un ingeniero de procesamiento de señales se involucre en el campo del aprendizaje automático?
- ¿Con qué empiezo, minería de datos, inteligencia artificial o aprendizaje automático?
- ¿Qué opinas sobre la inteligencia artificial? ¿Vale la pena desarrollarla?