Random forest: भीड़ की समझ
एक अकेला decision tree समझने में आसान है पर नाज़ुक, यह आसानी से overfit करता है और डेटा के छोटे बदलावों से उसके अनुमान बहुत डोल सकते हैं। एक random forest इसे एक सादे, ताक़तवर विचार से ठीक करता है: कई अलग पेड़ train करें और उन्हें वोट करने दें।
जंगल का हर पेड़ डेटा के थोड़े अलग रैंडम नमूने पर उगाया जाता है और हर split पर features का एक रैंडम उपसमूह देखता है। इसलिए हर पेड़ थोड़ा अलग है और अलग ग़लतियाँ करता है। जब आप उनके वोटों का औसत लेते हैं, तो अलग-अलग त्रुटियाँ एक-दूसरे को काट देती हैं और रैंडम अजीब बातें धुल जाती हैं। यही भीड़ की समझ है: विविध, अपूर्ण अंदाज़ा लगाने वालों का एक समूह अक्सर किसी भी अकेले विशेषज्ञ को हरा देता है।
from sklearn.ensemble import RandomForestClassifier
forest = RandomForestClassifier(n_estimators=50, random_state=0)
forest.fit(X_train, y_train)n_estimators बताता है कितने पेड़ उगाने हैं (यहाँ 50)। ज़्यादा पेड़ आमतौर पर थोड़ी मदद करते हैं, एक हद तक, गति की क़ीमत पर। हमेशा की तरह, random_state=0 नतीजे को दोहराने लायक रखता है क्योंकि जंगल का नमूना लेना रैंडम है।
मुख्य फ़ायदा: एक जंगल आमतौर पर एक अकेले पेड़ से बेहतर generalize करता है, यानी अलग रखे test set पर ऊँचा score। यह सबसे भरोसेमंद तैयार मॉडलों में से एक है, और हाथ बढ़ाने के लिए एक बढ़िया डिफ़ॉल्ट।
आप एक ही split पर एक सादा decision tree और एक random forest train करेंगे, दोनों को test set पर score करेंगे, और पक्का करेंगे कि जंगल कम से कम उतना अच्छा करता है।
एक dataset और train/test split तैयार हैं। training डेटा पर tree = DecisionTreeClassifier(max_depth=3, random_state=0) और forest = RandomForestClassifier(n_estimators=50, random_state=0) train करें। दोनों को accuracy_score से test set पर score करें, नतीजे tree_acc और forest_acc में रखें।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।