Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Hutan keputusan adalah istilah umum untuk mendeskripsikan model yang dibuat dari beberapa
pohon keputusan. Prediksi hutan keputusan adalah agregasi
prediksi pohon keputusannya. Penerapan agregasi ini
bergantung pada algoritma yang digunakan untuk melatih hutan keputusan. Misalnya, dalam
random forest klasifikasi multi-class (jenis hutan keputusan), setiap pohon
akan memilih satu class, dan prediksi random forest adalah class yang paling
diwakili. Dalam klasifikasi biner, Pohon yang Ditingkatkan dengan Gradien (GBT)
(jenis hutan keputusan lainnya), setiap pohon menghasilkan logit (nilai floating point), dan prediksi pohon yang ditingkatkan dengan gradien adalah jumlah nilai tersebut, diikuti dengan fungsi aktivasi (misalnya, sigmoid).
Dua bab berikutnya menjelaskan kedua algoritma hutan keputusan tersebut.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Informasi yang saya butuhkan tidak ada","missingTheInformationINeed","thumb-down"],["Terlalu rumit/langkahnya terlalu banyak","tooComplicatedTooManySteps","thumb-down"],["Sudah usang","outOfDate","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Masalah kode / contoh","samplesCodeIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 2025-02-25 UTC."],[[["Decision forests encompass models composed of multiple decision trees, with predictions derived from aggregating individual tree predictions."],["Prediction aggregation methods vary depending on the specific decision forest algorithm employed, such as voting in random forests or logit summation in gradient boosted trees."],["Random forests and gradient boosted trees are two primary examples of decision forest algorithms, each utilizing a unique approach to prediction aggregation."],["Upcoming chapters will delve deeper into the workings of random forests and gradient boosted trees."]]],[]]
