یادگیری ماشین با مدل‌های مبتنی بر درخت در Python

درخت‌های تصمیم گیری، مدل‌های یادگیری نظارت‌شده‌ای هستند که برای مسائل شامل طبقه‌بندی و رگرسیون استفاده می‌شوند. مدل‌های درختی انعطاف‌پذیری بالایی ارائه می‌دهند که بهایی دارد: از یک سو، درخت‌ها قادر به ثبت روابط پیچیده غیرخطی هستند؛ از سوی دیگر، آن‌ها مستعد حفظ کردن نویز موجود در مجموعه‌داده می‌باشند. با تجمیع پیش‌بینی‌های درخت‌هایی که به روش‌های متفاوتی آموزش دیده‌اند، متدهای ensemble از انعطاف‌پذیری درخت‌ها بهره می‌برند و در عین حال تمایل آن‌ها به حفظ کردن نویز را کاهش می‌دهند. متدهای Ensemble در زمینه‌های مختلفی استفاده می‌شوند و سابقه اثبات‌شده‌ای در برنده شدن در بسیاری از مسابقات یادگیری ماشین دارند.

در این دوره، مدرس چگونگی استفاده از Python برای آموزش درخت‌های تصمیم گیری و مدل‌های مبتنی بر درخت را با کتابخانه کاربرپسند یادگیری ماشین scikit-learn آموزش می‌دهد. شما مزایا و معایب درخت‌ها را درک خواهید کرد و او نشان می‌دهد که چگونه Ensemble کردن می‌تواند این معایب را کاهش دهد، در حالی که همه این موارد را روی مجموعه‌داده‌های واقعی تمرین می‌کنید. در نهایت، شما همچنین درک خواهید کرد که چگونه تأثیرگذارترین ابرپارامترها را تنظیم کنید تا بیشترین بهره را از مدل‌های خود ببرید.