Bagging-ում յուրաքանչյուր առանձին ծառ անկախ է միմյանցից, քանի որ նրանք հաշվի են առնում առանձնահատկությունների և նմուշների տարբեր ենթաբազմություն:
Ի՞նչ է պարկը որոշման ծառում:
Bagging (Bootstrap Aggregation) օգտագործվում է երբ մեր նպատակն է նվազեցնել որոշումների ծառի շեղումը: Այստեղ գաղափարը կայանում է նրանում, որ ուսուցման նմուշից պատահականորեն ընտրված տվյալների մի քանի ենթախմբեր ստեղծելն է՝ փոխարինմամբ: … Օգտագործվում են տարբեր ծառերի բոլոր կանխատեսումների միջինը, որն ավելի ամուր է, քան մեկ որոշման ծառը:
Ինչո՞ւ է պարկը առաջացնում փոխկապակցված ծառեր:
Մեր բոլոր պարկերով ծառերը հակված են կատարել նույն հատումները, քանի որ նրանք բոլորն ունեն նույն հատկանիշները: Սա ստիպում է այս բոլոր ծառերին շատ նման տեսք ունենալ, հետևաբար մեծանում է հարաբերակցությունը: Ծառերի հարաբերակցությունը լուծելու համար մենք թույլ ենք տալիս պատահական անտառին պատահականորեն ընտրել միայն m կանխագուշակները բաժանումն իրականացնելիս:
Ի՞նչ է պարկերում պատահական անտառը:
Bagging-ը համույթի ալգորիթմ է, որը տեղավորում է բազմաթիվ մոդելներ ուսումնական տվյալների բազայի տարբեր ենթաբազմությունների վրա, այնուհետև միավորում է բոլոր մոդելների կանխատեսումները: Պատահական անտառը պարկերի ընդլայնում է, որը նաև պատահականորեն ընտրում է յուրաքանչյուր տվյալների նմուշում օգտագործվող հատկանիշների ենթաբազմությունները:
Ինչպե՞ս է պարկավորումն աշխատում պատահական անտառում:
Պատահական անտառի ալգորիթմը իրականում պայուսակային ալգորիթմ է. նաև այստեղ մենք ձեր մարզումների հավաքածուից նկարում ենք պատահական bootstrap նմուշներ: Այնուամենայնիվ, բացի bootstrap նմուշներից, մենք նաևնկարել հատկանիշների պատահական ենթաբազմություններ՝ առանձին ծառերի ուսուցման համար. տոպրակի մեջ մենք յուրաքանչյուր ծառի տրամադրում ենք գործառույթների ամբողջական փաթեթ:
