Árvore de Decisão Regularizada
Uma árvore de decisão regularizada é um modelo de árvore de decisão cuja complexidade é intencionalmente limitada através de poda, restrições de profundidade ou termos de penalidade para prevenir o sobreajuste. Enraizada no framework CART de Breiman et al. (1984), a regularização converte o procedimento ganancioso de crescimento da árvore em um trade-off viés-variância, gerando modelos que generalizam melhor para dados não vistos do que árvores totalmente desenvolvidas.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Regularized Decision Tree (Pruned and Constrained CART). ScholarGate. https://scholargate.app/pt/machine-learning/regularized-decision-tree
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- BoostingAprendizado de máquina↔ comparar
- Árvore de DecisãoAprendizado de máquina↔ comparar
- Extra TreesAprendizado de máquina↔ comparar
- Random ForestAprendizado de máquina↔ comparar
- Regressão Linear RegularizadaAprendizado de máquina↔ comparar
- Random Forest RegularizadoAprendizado de máquina↔ comparar
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →