Puedo ver de dónde sacas la idea de dónde podrían ser similares, pero no lo son, aunque las dos ideas se pueden combinar (dado que Monte Carlo se usa en MCMC, que se usa en métodos bayesianos), así que supongo que la combinación es menor directo que tu significado.)
Un experimento de Monte Carlo usa la aleatoriedad para resolver un problema que puede ser determinista. Por ejemplo, si inscribimos un círculo de radio r dentro de un cuadrado con longitud de lado 2r, y simulamos variables aleatorias de acuerdo con una distribución uniforme, la relación de las que caen en el círculo con el total se acercará a [matemática] \ pi / 4 [/matemáticas]. Este es una especie de “hola mundo” de Montecarlo.
Un bosque aleatorio, por otro lado, arranca los datos (es decir, muestras con reemplazo) y crece cada árbol de forma codiciosa, eligiendo en cada división de un subconjunto aleatorio de las variables la que más reduce la “impureza del nodo ”: Sea la medida a través de Gini o la ganancia de información o el MSE.
- ¿Cómo manejo tanto la programación como la investigación en el área de redes neuronales y redes neuronales profundas?
- ¿Hay alguna anomalía inexplicable en la codificación de la computadora que pueda sugerir que las máquinas tienen alma?
- ¿Aprendizaje automático para predecir valores para t + 1?
- ¿Qué carrera es mejor, Machine Learning o DevOps?
- Como el sistema de recomendación está relacionado con el aprendizaje automático, ¿cuál será la próxima moda en los sistemas de recomendación?
Monte Carlo, por lo tanto, genera datos para resolver un problema, mientras que el algoritmo de RF lo submuestrea y construye un clasificador aleatorio sobre él: la aleatoriedad viene en la submuestreo y la selección de subconjunto variable (o mediante lo que llamamos el “método de subespacio aleatorio” , que es más o menos equivalente).