Livro de receitas de aprendizagem automática com Python, 2ª edição

Capítulo 14. Árvores e florestas

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

14.0 Introdução

Os algoritmos de aprendizagem baseados em árvores são uma família ampla e popular de métodos supervisionados não paramétricos relacionados, tanto para classificação como para regressão. A base da aprendizagem baseada em árvores é a árvore de decisão, em que uma série de regras de decisão (por exemplo, "Se a pontuação de crédito de uma pessoa for superior a 720...") são encadeadas. O resultado se parece vagamente com uma árvore de cabeça para baixo, com a primeira regra de decisão no topo e as regras de decisão subseqüentes espalhadas abaixo. Em uma árvore de decisão, cada regra de decisão ocorre em um nó de decisão, com a regra criando ramos que levam a novos nós. Um ramo sem uma regra de decisão no final é chamado de folha.

Uma razão para a popularidade dos modelos baseados em árvores é a sua capacidade de interpretação. De facto, as árvores de decisão podem ser literalmente desenhadas na sua forma completa (ver Receita 14.3) para criar um modelo altamente intuitivo. A partir desse sistema básico de árvores, surge uma grande variedade de extensões, desde florestas aleatórias até empilhamento. Neste capítulo, abordaremos como treinar, manipular, ajustar, visualizar e avaliar vários modelos baseados em árvores.

14.1 Treinar um classificador de árvore de decisão

Problema

Tens de treinar um classificador utilizando ...