Regelmatige beslissingsboom
Een regelmatige beslissingsboom is een beslissingsboommodel waarvan de complexiteit opzettelijk wordt beperkt door snoeien, dieptebeperkingen of straftermen om overfitting te voorkomen. Geworteld in het CART-raamwerk van Breiman et al. (1984), zet regularisatie de hebzuchtige boomgroeiprocedure om in een afweging tussen bias en variantie, wat resulteert in modellen die beter generaliseren naar ongeziene gegevens dan volledig gegroeide bomen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Regularized Decision Tree (Pruned and Constrained CART). ScholarGate. https://scholargate.app/nl/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.
- BoostingMachine learning↔ compare
- BeslisboomMachine learning↔ compare
- Extra TreesMachine learning↔ compare
- Random ForestMachine learning↔ compare
- Geregulariseerde Lineaire RegressieMachine learning↔ compare
- Geregulariseerd Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →