반응형 Computer Science/기계학습23 [Classification 2] 3. Classification algorithms - Random Forest, Ensemble approach(2) Content Introduction to supervised learning approach Data split in supervised learning Classification algorithms KNN & distance measures Decision tree Random Forest, Ensemble approach SVM 3. Classification algorithms - Random Forest, Ensemble approach 3.17 Random Forest with different values of “m” Random Forest 알고리즘에서 다양한 "m" 값의 사용은 중요한 의미를 가집니다. 여기서 "m"은 각 결정 트리를 생성할 때 무작위로 선택되는 특성(변수)의 수를 의미합.. 2024. 4. 22. [Classification 2] 3. Classification algorithms - Random Forest, Ensemble approach(1) Content Introduction to supervised learning approach Data split in supervised learning Classification algorithms KNN & distance measures Decision tree Random Forest, Ensemble approach SVM 3. Classification algorithms - Random Forest, Ensemble approach 3.1 Problem with a single best model 이전에 논의된 결정 트리는 높은 변동성(variance)을 가지고 있다는 문제가 있습니다. 만약 우리가 훈련 데이터를 무작위로 2부분으로 나누고, 각 부분에 대해 결정 트리를 적용한다면, 결과는 .. 2024. 4. 21. [Classification 1] 3. Classification algorithms - Decision tree Content Introduction to supervised learning approach Data split in supervised learning Classification algorithms KNN & distance measures Decision tree Random Forest, Ensemble approach SVM 3. Classification algorithms - Decision tree 3.1 Classification example 결정 트리의 경계는 조각별 선형(piecewise linear)이며 축에 평행(axis-parallel)하다는 것을 의미. 이는 결정 트리가 데이터를 분류하거나 회귀 분석을 할 때, 각 분할에서 사용하는 기준이 특정 특성(feature)의 값에 대.. 2024. 4. 21. [Classification 1] 3. Classification algorithms - distance measures ContentIntroduction to supervised learning approachData split in supervised learningClassific.. 2024. 4. 21. 이전 1 2 3 4 5 6 다음 반응형
