Python ile Ağaç Tabanlı Modellerle Machine Learning

Bias-variance dengesi, denetimli Machine Learning’in temel kavramlarından biridir. Bu bölümde, aşırı uyum (overfitting) ve yetersiz uyum (underfitting) sorunlarını nasıl teşhis edeceğini anlayacaksın. Ayrıca, birden fazla modelin tahminlerinin birleştirilerek daha sağlam tahminler üretildiği topluluk (ensembling) kavramıyla tanışacaksın.

Bagging, eğitim verisinden örneklenmiş farklı alt kümeler kullanılarak aynı algoritmanın birçok kez eğitilmesini içeren bir topluluk yöntemidir. Bu bölümde, bagging’in nasıl bir ağaç topluluğu oluşturmak için kullanılabileceğini anlayacaksın. Ayrıca, rastgele ormanlar (random forests) algoritmasının, topluluğu oluşturan ağaçlardaki her bölünme düzeyinde rastgeleleştirme yaparak nasıl ek çeşitlilik sağladığını öğreneceksin.

Boosting, birden çok modelin ardışık olarak eğitildiği ve her modelin kendinden öncekinin hatalarından öğrendiği bir topluluk yöntemidir. Bu bölümde AdaBoost ve Gradient Boosting olmak üzere iki boosting yöntemine giriş yapacaksın.

Bir Machine Learning modelinin hiperparametreleri, veriden öğrenilmeyen parametrelerdir. Modeli eğitim kümesine uydurmadan önce belirlenmelidirler. Bu bölümde, bir ağaç tabanlı modelin hiperparametrelerini grid arama çapraz doğrulaması kullanarak nasıl ayarlayacağını öğreneceksin.