Klasyfikacja i regresja z zastosowaniem algorytmu RandomForest

autor: Michał Bieroński

album: 218324

Agenda

1. Drzewa decyzyjne
2. Bazowa koncepcja random forest
3. Zalety
4. Multiklasyfikatory - dygresja
5. Algorytm

    - bagging

    - rozszerzenia (random subset, boosting)

6. Random forest w zadaniu regresji
7. Przykład (python)
8. Zastosowania
9. Podsumowanie

Źródła

1. http://ect.bell-labs.com/who/tkh/publications/papers/df.pdf
2. https://en.wikipedia.org/wiki/Random_forest
3. http://www.math.usu.edu/adele/RandomForests/UofU2013.pdf
4. http://dataaspirant.com/2017/05/22/random-forest-algorithm-machine-learing/
5. http://www.vision.cs.chubu.ac.jp/MPRG/C_group/C058_mishina2014.pdf
6. https://www.r-bloggers.com/how-random-forests-improve-simple-regression-trees/
7. http://www.stat.wisc.edu/~loh/treeprogs/guide/wires11.pdf
8. https://towardsdatascience.com/decision-trees-and-random-forests-for-classification-and-regression-pt-2-2b1fcd03e342
9. http://urszula.libal.staff.iiar.pwr.wroc.pl/docs/aro/aro8.pdf