"DecisionTree" (機械学習メソッド)

詳細とサブオプション

  • 決定木は，各内部ノードが特徴についての「検定」を，各ブランチが検定の結果を，各葉がクラスまたは値の分布や確率密度表す，フローチャートのような構造である．
  • ClassifyとPredictの木はCARTアルゴリズムを使って構築される．
  • For LearnDistributionの分割は，モデルの尤度及び複雑さを相殺する情報基準を使用して決定される．
  • 次は，使用可能なオプションである．
  • "DistributionSmoothing" 1正規化パラメータ
    "FeatureFraction" 1訓練のためにランダムに選択する特徴の割合（ClassifyとPredictでのみ使用可）

例題

すべて開くすべて閉じる

例  (3)

ラベル付きの例について予測器関数を訓練する：

予測器についての情報を見る：

再訓練に使用できるオプション情報を取り出す：

新たな例を予測する：

データを生成し，可視化する：

上記について予測器関数を訓練する：

データを予測された値と比較し，標準偏差を見る：

"DecisionTree"メソッドを使って分布について学ぶ：

得られたPDF（確率密度関数）を可視化する：

分布についての情報を得る：

オプション  (4)

"DistributionSmoothing"  (2)

"DistributionSmoothing"オプションを使って分類器を訓練する：

マッシュルームの訓練集合を使ってデフォルト値の"DistributionSmoothing"で分類器を訓練する：

"DistributionSmoothing"を大きくして第2分類器を訓練する：

検定集合からの例の確率を比較する：

"FeatureFraction"  (2)

"FeatureFraction"オプションを使って分類器を訓練する：

マッシュルームの訓練集合を使い，"FeatureFraction"の値を変えて2つの分類器を訓練する：

検定集合についてのこれらの分類器の確度を見る：