Graphviz pip install graphviz Загрузить (взять у преподавателя) файл презентация

3.9 Ансамбли деревьев решений 3.9 Ансамбли деревьев решений

3.8.2 Деревья решений в задаче классификации regression 3.8.2 Деревья решений в задаче классификации regression

3.8.3 Выводы по Деревьям решений 3.8.3 Выводы по Деревьям решений

Ближайшие соседи Ближайшие соседи Подходит для небольших наборов данных, хорош в качестве базовой модели, прост в объяснении. Линейные модели Считается первым алгоритмом, который нужно попробовать, хорош для очень больших наборов данных, подходит для данных с очень высокой размерностью. Наивный байесовский классификатор Подходит только для классификации. Работает даже быстрее, чем линейные модели, хорош для очень больших наборов данных и высокоразмерных данных. Часто менее точен, чем линейные модели. Деревья решений Очень быстрый метод, не нужно масштабировать данные, результаты можно визуализировать и легко объяснить. Случайные леса Почти всегда работают лучше, чем одно дерево решений, очень устойчивый и мощный метод. Не нужно масштабировать данные. Плохо работает с данными очень высокой размерности и разреженными данными. Градиентный бустинг деревьев решений Как правило, немного более точен, чем случайный лес. В отличие от случайного леса медленнее обучается, но быстрее предсказывает и требует меньше памяти. По сравнению со случайным лесом требует настройки большего числа параметров. Машины опорных векторов Мощный метод для работы с наборами данных среднего размера и признаками, измеренными в едином масштабе. Требует масштабирования данных, чувствителен к изменению параметров.