Скачать или смотреть [10分鐘搞懂機器學習] 8.5 最廣泛使用的集成學習演算法之一 隨機森林 Random forests

👍請訂閱、按讚，支持內容創作者💡
✅內容介紹
在這部影片中，我們將介紹一種集成學習方法: 隨機森林(Random Forests)，並探討其建構、使用及評估方式。我們會講解隨機森林的特色、優缺點，並提供數個範例來圖示化其優點。隨機森林是一種基於裝袋法(Bagging)的算法，利用多棵決策樹進行預測，並使用隨機選擇特徵來提升模型的多樣性和準確度。
✅您將學會
隨機森林的基本概念及其工作原理
如何在迴歸和分類問題中使用隨機森林
隨機森林的優缺點，並與極端隨機樹(Extra-Trees)做比較
如何利用Python中的RandomForestClassifier進行隨機森林建模
如何解釋隨機森林的決策邊界，並評估其效果
✅關鍵字
隨機森林、集成學習、裝袋法、決策樹、特徵隨機性、Feature Bagging、軟投票、袋外評估、極端隨機樹、Python、決策邊界、過度擬合、準確率、交叉驗證、決策樹分類器、特徵重要性、Gini不純度
✅時間戳記
0:00 前言
0:27 隨機森林的建構、使用、評估
1:30 隨機森林的特色和設定
2:46 隨機森林的優缺點
4:11 隨機森林範例-降低過度擬合
4:52 隨機森林範例-衡量特徵和提高準確率
✅技術詞彙清單
Bagging 裝袋法：集成學習中通過隨機抽樣訓練多個模型並聚合結果的方法。
Feature Bagging：在隨機森林中，對每個決策樹節點隨機選擇一組特徵進行訓練的技術。
軟投票：在隨機森林中，將每棵樹的預測結果進行加權平均，適用於分類問題。
袋外評估：用於隨機森林的性能評估方法，使用未被選中訓練的數據進行測試。
Gini不純度：衡量數據集純度的一種指標，常用於決策樹的分裂選擇。
決策邊界：決策樹或隨機森林模型在特徵空間中將不同類別分隔開的邊界。
🔗參考文獻
Python程式碼 (ch8資料夾) https://github.com/yulandy/10mins_For_ML
IBM, What is random forest? https://www.ibm.com/topics/random-forest
隨機森林的建構、使用、評估    • StatQuest: Random Forests Part 1 - Bu...  
Random Forests, Chapter 7, Hands-on ML with Scikit-Learn, Keras & TensorFlow
2.3.6 Ensembles of Decision Trees, Chapter 2, Introduction to ML with Python