• مقایسه عملکرد روش های جنگل تصادفی و xgboost نسبت به روش درخت تصمیم

    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1401/02/28
    • تاریخ انتشار در تی پی بین: 1401/06/28
    • تعداد بازدید: 344
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: 02171053833

    مقایسه عملکرد روش های جنگل تصادفی و xgboost نسبت به روش درخت تصمیم

    الگوریتم درخت تصمیم یکی از الگوریتم های مهم در یادگیری ماشین برای اهداف طبقه بندی و رگرسیون می باشد. این الگوریتم در عین سادگی دارای ضعف هایی می باشد که در کاربردهای عملی استفاده مستقیم از آن خیلی مناسب نمی باشد. بنابراین در سال های اخیر با استفاده از شیوه های مختلف به بهبود عملکرد این روش پرداخته شده است.

    در این مطالعه با استفاده از 3 روش درخت تصمیم، جنگل تصادفی و xgboost به پیش بینی خرید خودرو با استفاده از مجموعه داده ارزیابی خودرو که از مخزن داده خودروهای اهدایی مارکوبوهانک در دانشگاه کالیفرنیا بدست آمده است، پرداخته می شود. برای حل مسئله موردنظر، با بهینه کردن یک هایپرپارامتر مشترک بین تمامی روشها و آموزش مدلها بر اساس آن، عملکرد روشها با یکدیگر مقایسه می گردد. با توجه به نتایج بدست آمده، الگوریتم جنگل تصادفی و xgboost با وجود این که زمان آموزش بیشتری نسبت به الگوریتم درخت تصمیم دارند، دقت های بسیار خوب و پیش بینی های قابل اعتمادتری را از حل مسئله ارائه می دهند.

سوال خود را در مورد این مقاله مطرح نمایید :

با انتخاب دکمه ثبت پرسش، موافقت خود را با قوانین انتشار محتوا در وبسایت تی پی بین اعلام می کنم
مقالات جدیدترین رویدادها
مقالات جدیدترین ژورنال ها