Bosques aleatorios: la sabiduría de la multitud
Un solo árbol de decisión es fácil de entender pero frágil: se sobreajusta con facilidad y sus predicciones pueden cambiar mucho con pequeños cambios en los datos. Un bosque aleatorio (random forest) lo arregla con una idea sencilla y potente: entrenar muchos árboles distintos y dejar que voten.
Cada árbol del bosque crece con una muestra aleatoria un poco distinta de los datos y tiene en cuenta un subconjunto aleatorio de rasgos en cada división. Así que cada árbol es un poco distinto y comete errores distintos. Cuando haces la media de sus votos, los errores individuales tienden a anularse y las rarezas aleatorias desaparecen. Es la sabiduría de la multitud: un grupo de adivinadores variados e imperfectos a menudo gana a cualquier experto solo.
from sklearn.ensemble import RandomForestClassifier
forest = RandomForestClassifier(n_estimators=50, random_state=0)
forest.fit(X_train, y_train)n_estimators es cuántos árboles hacer crecer (50 aquí). Más árboles suelen ayudar un poco, hasta cierto punto, a costa de velocidad. Como siempre, random_state=0 hace que el resultado se pueda reproducir, ya que el muestreo del bosque es aleatorio.
La ventaja principal: un bosque suele generalizar mejor que un solo árbol, es decir, saca más nota en el conjunto de prueba reservado. Es uno de los modelos listos para usar más fiables, y una gran opción por defecto.
Vas a entrenar un árbol de decisión normal y un bosque aleatorio con la misma separación, evaluar los dos con el conjunto de prueba y confirmar que al bosque le va al menos igual de bien.
Tienes preparados un conjunto de datos y una separación de entrenamiento y prueba. Entrena tree = DecisionTreeClassifier(max_depth=3, random_state=0) y forest = RandomForestClassifier(n_estimators=50, random_state=0) con los datos de entrenamiento. Evalúa los dos con el conjunto de prueba usando accuracy_score, y guarda los resultados en tree_acc y forest_acc.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.