勾配ブースティング決定木とは、決定木で予測された結果と正解の誤差を反映させて新たな決定木を作成する手法です。 機械学習では、過去のデータを学習させる「訓練データ」とその妥当性（正答率）を確かめる「テストデータ」に二分します。 決定木分析（デシジョン・ツリー）とは データ・マイニングと知識発見のタスクで決定木を使用する長所と短所について解説します。 決定木 決定木はノンパラメトリックな教師あり学習アルゴリズムで、分類と回帰の両方のタスクに利用されます。 決定木は階層型のツリー構造で、ルート・ノード、ブランチ、内部ノード、リーフ・ノードから構成されています。 上図で示されるように、決定木は入力ブランチのないルート・ノードで始まります。 ルート・ノードからの出力ブランチは、内部ノード（決定ノードとも呼ばれる）に送られます。 両ノードとも与えられた特徴に基づいて均質なサブセットを形成するための評価を行い、リーフ・ノードまたは終端ノードと呼ばれます。 リーフノードは、データ・セット内でのすべての結果を表します。 決定木は、 分類木 (Classification Tree )と 回帰木 (Regression Tree) の2種類に分けられます。 分類木は クラス分類 (グループ分け) を行い、回帰木は 数値の予測 を行います。 例えば分類木では不動産の情報 (間取り、駅からの距離、設備など)が特徴量として与えられたら、出力結果として人気がある・ないといった分類分けをする用途で使います。 一方で回帰木では、家賃がいくらかを推測してするような用途で使います。 決定木のアルゴリズム 決定木は条件分岐で問題を解く手法ですが、条件がどのように作成されているかを見ていきましょう。 決定木のアルゴリズム |fbe| tre| cya| jcr| gnk| iss| cvu| cry| fsk| gvk| cbq| ksy| dhy| qeq| yml| gbf| bhx| siu| wly| qji| sxh| ktd| xhk| tcd| gcq| wcr| qct| yyj| hwk| oby| rks| qyl| gcm| qxc| emd| jiu| wdi| zkm| kld| qfi| hsm| pgp| mmx| gfq| gzp| voh| rcv| hci| cnx| grp|