Regularisierter Entscheidungsbaum
Ein regularisierter Entscheidungsbaum ist ein Entscheidungsbaummodell, dessen Komplexität durch Beschneiden (Pruning), Tiefenbeschränkungen oder Strafterme absichtlich begrenzt wird, um Überanpassung (Overfitting) zu verhindern. Basierend auf dem CART-Framework von Breiman et al. (1984) wandelt die Regularisierung das gierige Baumwachstumsverfahren in einen Bias-Varianz-Tradeoff um, was zu Modellen führt, die besser auf ungesehene Daten generalisieren als vollständig gewachsene Bäume.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth. ISBN: 978-0-412-04841-8
- Esposito, F., Malerba, D., & Semeraro, G. (1997). A comparative analysis of methods for pruning decision trees. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(5), 476–491. DOI: 10.1109/34.589207 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Decision Tree (Pruned and Constrained CART). ScholarGate. https://scholargate.app/de/machine-learning/regularized-decision-tree
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BoostingMaschinelles Lernen↔ compare
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Extra TreesMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Regularisierte Lineare RegressionMaschinelles Lernen↔ compare
- Regularized Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →