К содержанию
Quantoros

В каких случаях случайный лес может работать плохо?

Classic MLУровень: ПрактикаML concepts — Sebastian Raschka FAQ

В каких случаях случайный лес может работать плохо?

Подсказки
  • Как формируются обучающие выборки и чем отличаются деревья ансамбля?
  • Рассмотрите корреляцию ошибок отдельных моделей, а не только их качество.

Ответ

Осевым деревьям может потребоваться много разбиений для простой наклонной границы, где линейная модель эффективнее. Это ограничение эффективности, а не гарантия провала леса. Стандартная регрессия с усреднением значений листьев плохо экстраполирует: прогноз остаётся в диапазоне обучающих целей. Например, по людям ростом 5–6 футов с весом 150–180 фунтов такой лес не продолжит линейный рост веса за пределы 180 для роста 7 футов. Проверяйте ожидаемое поведение вне обучающей области.

Источник и лицензия: Sebastian Raschka — Python Machine Learning FAQ · MIT · перевод: Quantoros

Похожие вопросы