Decision trees are a popular method

Decision trees are a popular method for various machine learning tasks. Tree learning "come[s] closest to meeting the requirements for serving as an off-the-shelf procedure for data mining", say Hastie et al., because it is invariant under scaling and various other transformations of feature values, is robust to inclusion of irrelevant features, and produces inspectable models. However, they are seldom accurate.[8]:352

In particular, trees that are grown very deep tend to learn highly irregular patterns: they overfit their training sets, because they have low bias, but very high variance. Random forests are a way of averaging multiple deep decision trees, trained on different parts of the same training set, with the goal of reducing the variance.[8]:587–588 This comes at the expense of a small increase in the bias and some loss of interpretability, but generally greatly boosts the performance of the final model.

ผลลัพธ์ (ไทย) 1:

ต้นไม้ตัดสินใจเป็นวิธียอดนิยมสำหรับงานต่าง ๆ เครื่องเรียน ทรีเรียน "มา [s] ใกล้เคียงกับความต้องการบริการเป็นกระบวนการรูปสำหรับการทำเหมืองข้อมูล" พูด Hastie et al. เพราะเป็นบล็อกภายใต้มาตราส่วนและการแปลงข้อมูลต่าง ๆ ของคุณลักษณะค่า ประสิทธิภาพการรวมของความเกี่ยวข้อง และผลิตรุ่น inspectable อย่างไรก็ตาม พวกเขาจะค่อยถูกต้อง [8]: 352โดยเฉพาะ ต้นไม้ที่ปลูกลึกมากมักจะ เรียนรู้รูปแบบผิดปกติมาก: พวกเขา overfit ชุดการฝึกอบรม เนื่องจากมีความโน้มเอียงต่ำ แต่ผลต่างสูงมาก ป่าสุ่มเป็นวิธีการหาค่าเฉลี่ยต้นไม้ตัดสินใจลึกหลาย การฝึกอบรมในส่วนต่าง ๆ ของชุดฝึกอบรมแบบเดียวกัน โดยมีเป้าหมายเพื่อลดความแปรปรวน [8]: 587-588 นี้มาค่าใช้จ่ายเพิ่มขนาดเล็กในเส้นทแยงและสูญเสียบาง interpretability แต่โดยทั่วไปมากช่วยเพิ่มประสิทธิภาพของรูปแบบสุดท้าย

ผลลัพธ์ (ไทย) 2:

ต้นไม้การตัดสินใจเป็นวิธีที่นิยมใช้สำหรับงานการเรียนรู้เครื่องต่างๆ การเรียนรู้ต้นไม้ "มา [s] ที่ใกล้เคียงที่สุดที่จะตอบสนองความต้องการสำหรับการให้บริการเป็นขั้นตอนการปิดการเก็บรักษาสำหรับการทำเหมืองข้อมูล" พูด Hastie et al., เพราะมันเป็นค่าคงที่ภายใต้การปรับขนาดและการเปลี่ยนแปลงอื่น ๆ ของค่าคุณลักษณะที่เป็นที่มีประสิทธิภาพเพื่อ รวมของคุณสมบัติที่ไม่เกี่ยวข้องและผลิตรุ่น inspectable แต่พวกเขามีความถูกต้องไม่ค่อย [8]:. 352 โดยเฉพาะอย่างยิ่งต้นไม้ที่มีการปลูกลึกมากมีแนวโน้มที่จะเรียนรู้รูปแบบที่ผิดปกติอย่างมากที่พวกเขา overfit ชุดการฝึกอบรมของพวกเขาเพราะพวกเขามีอคติต่ำ แต่ความแปรปรวนสูงมาก ป่าสุ่มเป็นวิธีการเฉลี่ยต้นไม้ตัดสินใจลึกหลายการฝึกอบรมในส่วนต่าง ๆ ของการฝึกอบรมชุดเดียวกันกับเป้าหมายในการลดความแปรปรวน [8]:. 587-588 นี้มาที่ค่าใช้จ่ายของการเพิ่มขึ้นเล็กน้อยในอคติและ การสูญเสียของ interpretability บาง แต่โดยทั่วไปอย่างมากช่วยเพิ่มประสิทธิภาพการทำงานของรุ่นสุดท้าย

ผลลัพธ์ (ไทย) 3:

ต้นไม้ตัดสินใจเป็นวิธีการที่เป็นที่นิยมสำหรับเครื่องต่าง ๆการเรียนรู้งาน การเรียนรู้ต้นไม้ " มา [ S ] ใกล้การประชุมความต้องการสำหรับการให้บริการเป็นปิดกระบวนการชั้น Data Mining " พูดเฮสตี้ et al . , เพราะมันเป็นค่าคงที่ในการปรับและแปลงอื่น ๆคุณลักษณะค่านิยมที่แข็งแกร่งเพื่อการรวมคุณลักษณะที่ไม่เกี่ยวข้องและผลิตรุ่น inspectable . อย่างไรก็ตามพวกเขาจะถูกต้องไม่ใคร่ [ 8 ] : 352

โดยเฉพาะต้นไม้ที่ปลูกลึกมากมีแนวโน้มที่จะเรียนรู้รูปแบบผิดปกติอย่างมาก เขา overfit ชุดฝึกอบรมของพวกเขาเพราะพวกเขามีคติต่ำ แต่สูงมาก ความแปรปรวน ป่าสุ่มเป็นวิธีเฉลี่ยการตัดสินใจแบบลึก ต้นไม้ ฝึกในส่วนต่าง ๆของชุดฝึก ชุดเดียวกันกับเป้าหมายของการลดความแปรปรวน [ 8 ] :587 - นี่มาถึงที่ค่าใช้จ่ายของการเพิ่มขนาดเล็กในอคติและการสูญเสียบางส่วนของ interpretability แต่โดยทั่วไปช่วยเพิ่มประสิทธิภาพของรุ่นสุดท้าย