В интервью меня спросили, в чем разница между случайным лесом и классификатором дерева решений. Я много рассказывал ему о них обоих, но ответ, которого он с нетерпением ждал, был «Компромисс смещения и дисперсии». Хотя я не полностью согласен именно с этим ответом, я сосредоточусь на том, чтобы написать и объяснить то же самое в этом посте. Смещение - термин, используемый для определения того, насколько прогнозируемые точки данных совпадают с фактическими точками данных, или разница..

Вы когда-нибудь замечали, что ваша модель дает ложные прогнозы по данным тестирования? Несмотря на то, что вы обучили свою модель с достаточным количеством данных, вы все равно получаете ложноотрицательные или ложноположительные результаты для ваших тестовых данных. Это почему? Ваша модель либо не соответствует вашим тренировочным данным, либо переоснащается. Обобщение - это показатель эффективности вашей модели при прогнозировании невидимых данных. Таким образом, важно..

Если вы запускаете алгоритм обучения, и он не работает так, как вы надеялись, это произойдет из-за того, что у вас либо проблема с высоким смещением, либо проблема с высокой дисперсией, другими словами, либо проблема недостаточного соответствия . или проблема переобучения почти все время. Жизненно важно понять, какая из этих двух проблем является предвзятостью или дисперсией, или и тем и другим сразу, потому что знание того, какая из этих двух вещей происходит, может дать очень..