Albero decisionale regolarizzato
Un albero decisionale regolarizzato è un modello ad albero decisionale la cui complessità è intenzionalmente limitata attraverso potatura (pruning), vincoli di profondità o termini di penalità per prevenire l'overfitting. Radicato nel framework CART di Breiman et al. (1984), la regolarizzazione converte la procedura greedy di crescita dell'albero in un compromesso bias-varianza (bias-variance tradeoff), producendo modelli che generalizzano meglio a dati non visti rispetto agli alberi completamente cresciuti.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Decision Tree (Pruned and Constrained CART). ScholarGate. https://scholargate.app/it/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.
- BoostingApprendimento automatico↔ compare
- Albero decisionaleApprendimento automatico↔ compare
- Alberi ExtraApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
- Regressione Lineare RegolarizzataApprendimento automatico↔ compare
- Random Forest RegolarizzatoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →