Random Forests: Wijsheid van de menigte
Een enkele beslissingsboom is makkelijk te begrijpen maar kwetsbaar, het past snel over en de voorspellingen kunnen sterk variëren bij kleine gegevenswijzigingen. Een random forest lost dit op met een simpel, krachtig idee: train veel verschillende bomen en laat ze stemmen.
Elke boom in het bos wordt getraind op een iets ander willekeurig sample van de data en kijkt naar een willekeurige subset van features bij elke split. Elke boom is dus een beetje anders en maakt andere fouten. Als je hun stemmen middelt, heffen de individuele fouten elkaar vaak op en verdwijnen de willekeurige eigenaardigheden. Dit is de wijsheid van de massa: een groep diverse, imperfecte gokkers verslaat vaak elke individuele expert.
from sklearn.ensemble import RandomForestClassifier
forest = RandomForestClassifier(n_estimators=50, random_state=0)
forest.fit(X_train, y_train)n_estimators is hoeveel bomen er moeten groeien (50 hier). Meer bomen helpen meestal een beetje, tot een bepaald punt, ten koste van snelheid. Zoals altijd houdt random_state=0 het resultaat reproduceerbaar omdat de sampling van het bos willekeurig is.
Het belangrijkste voordeel: een bos generaliseert meestal beter dan een enkele boom, wat betekent dat je een hogere score krijgt op de testset. Het is een van de meest betrouwbare kant-en-klare modellen en een goede standaard om te gebruiken.
Je traint één gewoon decision tree en één random forest op dezelfde split, scoort beide op de test set, en bevestigt dat de forest minstens even goed scoort.
Een dataset en een train/test split zijn voorbereid. Train tree = DecisionTreeClassifier(max_depth=3, random_state=0) en forest = RandomForestClassifier(n_estimators=50, random_state=0) op de trainingsdata. Score beide op de test set met accuracy_score, en sla de resultaten op in tree_acc en forest_acc.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.