یادگیری ماشینی با مدل های درختی در پایتون

درخت تصمیم، مدل‌های یادگیری تحت نظارت هستند که برای مسائل مربوط به طبقه‌بندی و رگرسیون استفاده می‌شوند. مدل‌های درختی انعطاف‌پذیری بالایی را ارائه می‌دهند که قیمتی هم دارد: از یک طرف، درختان می‌توانند روابط پیچیده غیرخطی را ثبت کنند. از سوی دیگر، آنها مستعد به خاطر سپردن نویز موجود در یک مجموعه داده هستند. با جمع‌آوری پیش‌بینی‌های درختانی که به‌طور متفاوت آموزش داده می‌شوند، روش‌های گروهی از انعطاف‌پذیری درختان بهره می‌برند و در عین حال تمایل آن‌ها به حفظ نویز را کاهش می‌دهند. روش‌های گروهی در زمینه‌های مختلف مورد استفاده قرار می‌گیرند و سابقه ثابتی در برنده شدن در بسیاری از مسابقات یادگیری ماشین دارند. در این دوره آموزشی، نحوه استفاده از پایتون را برای آموزش درخت‌های تصمیم‌گیری و مدل‌های مبتنی بر درخت با کتابخانه یادگیری ماشینی کاربرپسند scikit-learn یاد خواهید گرفت. شما مزایا و کاستی های درختان را درک خواهید کرد و نشان خواهید داد که چگونه ترکیب بندی می تواند این کاستی ها را کاهش دهد، همگی در حین تمرین بر روی مجموعه داده های دنیای واقعی. در نهایت، همچنین می‌دانید که چگونه می‌توانید تأثیرگذارترین هایپرپارامترها را تنظیم کنید تا بیشترین بهره را از مدل‌های خود ببرید.