Diferencia entre revisiones de «Aprendizaje basado en árboles de decisión»
Contenido eliminado Contenido añadido
categoría, wikienlaces |
m Correcciones ortográficas con Replacer (herramienta en línea de revisión de errores) |
||
Línea 33:
*'''[[Cuadro sinóptico|Árboles de clasificación]]''' es cuando el resultado predicho es la clase a la que pertenecen los datos.
*'''Árboles de regresión''' es cuando el resultado predicho se puede considerar un número real (por ejemplo, el precio de una casa, o el
El término '''Árboles de Clasificación y Regresión''' (ACR) es un término genérico utilizado para referirse a ambos de los procedimientos anteriores, introducido por primera vez por [[Leo Breiman|Breiman]] et al.<ref name="bfos">{{Cite book
Línea 50:
*'''[[Agregación de bootstrap|Bagging]]''', un método de conjunto, construye múltiples árboles de decisión haciendo repetidamente remuestreo de los datos de entrenamiento con sustitución, y votando los árboles para hallar una predicción de consenso.<ref>Breiman, L. (1996). Bagging Predictors. "Machine Learning, 24": pp. 123-140.</ref>
*Un clasificador '''[[
*Los '''[[Árboles Impulsados]]''' se pueden utilizar para problemas de regresión y de clasificación.<ref>Friedman, J. H. (1999). ''Stochastic gradient boosting.'' Stanford University.</ref><ref>Hastie, T., Tibshirani, R., Friedman, J. H. (2001). ''The elements of statistical learning : Data mining, inference, and prediction.'' New York: Springer Verlag.</ref>
*'''[[Rotation Forest]]''' En el que cada árbol de decisión es entrenado aplicando primero [[análisis de componentes principales]] (ACP) en un subconjunto aleatorio de las características de entrada.<ref>Rodriguez, J.J. and Kuncheva, L.I. and Alonso, C.J. (2006), Rotation forest: A new classifier ensemble method, IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(10):1619-1630.</ref>
|