ランダムフォレスト:みんなの知恵
1 本の決定木はわかりやすいのですが壊れやすく、すぐに過学習し、データが少し変わるだけで予測が大きく揺れます。ランダムフォレストは、単純で強力な考えでこれを直します:たくさんの違う木を学習させ、投票させるのです。
フォレストの各木は、データの少しずつ違うランダムなサンプルで育てられ、分割のたびにランダムな特徴量の一部を検討します。だから木はどれも少しずつ違い、違う間違いをします。その投票を平均すると、個々の誤りは打ち消し合い、ランダムな癖は洗い流されがちです。これがみんなの知恵です:多様で不完全な推測者の集まりは、どんな 1 人の専門家にもしばしば勝つのです。
from sklearn.ensemble import RandomForestClassifier
forest = RandomForestClassifier(n_estimators=50, random_state=0)
forest.fit(X_train, y_train)n_estimators は育てる木の数です(ここでは 50)。木が多いほどたいてい少し良くなりますが、ある程度までで、速さとの引き換えです。フォレストのサンプリングはランダムなので、いつものように random_state=0 で結果を再現できるようにします。
いちばんの利点:フォレストはたいてい 1 本の木より汎化がうまく、取っておいたテスト用データでのスコアが高くなります。いちばん頼りになる既製のモデルの 1 つで、まず手を伸ばすのにうってつけの既定の選択です。
同じ分割で、ふつうの決定木を 1 本とランダムフォレストを 1 つ学習させ、両方をテスト用データで採点して、フォレストが少なくとも同じくらい良いことを確かめます。
データセットと、学習用とテスト用の分割が用意されています。学習用データで tree = DecisionTreeClassifier(max_depth=3, random_state=0) と forest = RandomForestClassifier(n_estimators=50, random_state=0) を学習させてください。両方を accuracy_score でテスト用データについて採点し、結果を tree_acc と forest_acc に保存してください。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。