Regularized Decision Tree
ต้นไม้ตัดสินใจแบบปรับให้เหมาะสม (regularized decision tree) คือแบบจำลองต้นไม้ตัดสินใจที่ความซับซ้อนถูกจำกัดโดยเจตนาผ่านการตัดแต่ง (pruning) การจำกัดความลึก หรือพจน์การลงโทษ (penalty terms) เพื่อป้องกันการเรียนรู้เกิน (overfitting) โดยมีรากฐานมาจากกรอบการทำงาน CART ของ Breiman และคณะ (1984) การปรับให้เหมาะสมจะเปลี่ยนกระบวนการสร้างต้นไม้แบบละโมบ (greedy tree-growing) ให้เป็นการแลกเปลี่ยนระหว่างความเอนเอียงและความแปรปรวน (bias-variance tradeoff) ทำให้ได้แบบจำลองที่สามารถสรุปผลไปยังข้อมูลที่ไม่เคยเห็นได้ดีกว่าต้นไม้ที่เติบโตเต็มที่
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized Decision Tree (Pruned and Constrained CART). ScholarGate. https://scholargate.app/th/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.
- Boostingการเรียนรู้ของเครื่อง↔ compare
- ต้นไม้ตัดสินใจการเรียนรู้ของเครื่อง↔ compare
- Extra Treesการเรียนรู้ของเครื่อง↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- การถดถอยเชิงเส้นแบบปรับค่า (Regularized Linear Regression)การเรียนรู้ของเครื่อง↔ compare
- Regularized Random Forestการเรียนรู้ของเครื่อง↔ compare