Regularized Greedy Forest, также известный как RGF, является алгоритмом машинного обучения в контролируемом обучении. Используя модифицированную версию обучения на основе дерева решений, Regularized Greedy Forest - это алгоритм, основанный на данных, который обеспечивает точное предсказание целевого признака с хорошими показателями обобщения.
Этот алгоритм был первоначально предложен Йошуа Бенгио, Джоном Лафферти и Коринной Кортес в 2005 году. Он считается обобщением метода Random Forests, разработанного Лео Брейманом. Регуляризованный жадный лес работает путем построения коллекции деревьев решений, обученных на одних и тех же входных данных. Он также изменяет две переменные в процессе обучения каждого дерева.
Две переменные модификации - это коэффициент регуляризации, альфа, и скорость обучения, лямбда. Альфа используется для изменения весов отдельных деревьев и улучшения обобщающих характеристик ансамбля, а скорость обучения, лямбда, используется для оценки компромисса между точностью и обобщающими характеристиками.
Алгоритмы Regularized Greedy Forest применяются во многих областях, таких как биоинформатика и обработка изображений. По сравнению с другими существующими ансамблевыми методами, RGF демонстрирует выдающиеся показатели обобщения, а также снижает риск переборки из-за высокой размерности данных.
В целом, Regularized Greedy Forest является мощным алгоритмом для контролируемого машинного обучения, который дает точные предсказания и имеет хорошие показатели обобщения.
Ссылки:
Йошуа Бенгио, Джон Лафферти, Коринна Кортес (2005). "Регуляризованный жадный лес". IEEE Transactions on Neural Networks 16 (10): 1875-1889.
Лео Брейман (2001). "Случайные леса". Машинное обучение 45 (1): 5-32.