martijn/data_science_bd04
1
0
Fork 0
Code Issues Pull Requests Projects Releases Wiki Activity

Toelichting Random Forests bijgewerkt

Browse Source
This commit is contained in:
martijn
2022-01-31 14:31:11 +01:00
parent 784274d97e
commit a5a0ae0587
1 changed files with 1 additions and 1 deletions
Download Patch File Download Diff File Expand all files Collapse all files

2
lesstof/week 5.md
View File

@ -55,7 +55,7 @@ Meten van puurheid ($m$ is het aantal categorieën):
Ensemble learning is een strategie waarbij meerdere verschillende classifiers/models in één model worden gecombineerd. Dit reduceert *variantie* in de voorspelling. Er zijn verschillende Ensemble methodes: Ensemble learning is een strategie waarbij meerdere verschillende classifiers/models in één model worden gecombineerd. Dit reduceert *variantie* in de voorspelling. Er zijn verschillende Ensemble methodes:
* **Bagging** - Er worden meerdere instanties van hetzelfde model gebouwd elk getrained op een verschillende subset van de originele dataset. Staat voor *"Bootrstrapping and Aggregating"* * **Bagging** - Er worden meerdere instanties van hetzelfde model gebouwd elk getrained op een verschillende subset van de originele dataset. Staat voor *"Bootrstrapping and Aggregating"*
* **Random Forests** - Een methode specifiek voor Decision Trees. Werkt voort op dezelfde basis als **bagging** alleen wordt meer *randomness* gehanteerd bij het creeren van splitsingen in de boom. * **Random Forests** - Een methode specifiek voor Decision Trees. Werkt voort op dezelfde basis als **bagging** alleen wordt willekeurig een aantal features gekozen voor elke knoop.
* **Boosting** - Verbeterd een model door informatie te gebruiken van vorige classifiers. * **Boosting** - Verbeterd een model door informatie te gebruiken van vorige classifiers.
Samengevat: Samengevat: