például, ha létrehoznánk egy döntési fát, a harmadikat, az 0-t jósolna. De ha mind a 4 döntési fa módjára támaszkodnánk, akkor az előre jelzett érték 1 lenne. Ez a véletlenszerű erdők ereje.
a StatQuest csodálatos munkát végez ezen részletesebben. Lásd itt.
Neurális Hálózat
A Neurális Hálózat lényegében egy hálózat matematikai egyenletek. Egy vagy több bemeneti változót vesz igénybe, és az egyenletek hálózatán keresztül egy vagy több kimeneti változót eredményez. Azt is mondhatjuk, hogy egy neurális hálózat bevesz egy bemeneti vektort, és visszaad egy kimeneti vektort, de ebben a cikkben nem fogok bejutni a mátrixokba.
a kék körök a bemeneti réteget, a fekete körök a rejtett rétegeket, a zöld körök pedig a kimeneti réteget képviselik. A rejtett rétegek minden csomópontja mind lineáris függvényt, mind aktiválási funkciót képvisel, amelyen az előző réteg csomópontjai átmennek, végül a zöld körök kimenetéhez vezet.
- Ha többet szeretne megtudni róla, nézze meg a kezdőbarát magyarázatomat a neurális hálózatokról.
osztályozás
osztályozási modellekben a kimenet diszkrét. Az alábbiakban bemutatjuk az osztályozási modellek leggyakoribb típusait.
logisztikai regresszió
a logisztikai regresszió hasonló a lineáris regresszióhoz, de a véges számú kimenetel valószínűségének modellezésére szolgál, jellemzően kettő. Számos oka van annak, hogy a logisztikai regressziót a lineáris regresszióval szemben alkalmazzák az eredmények valószínűségének modellezésekor (lásd itt). Lényegében egy logisztikai egyenlet úgy jön létre, hogy a kimeneti értékek csak 0 és 1 között lehetnek (lásd alább).