Rừng tham lam thường xuyên

Regularized Greedy Forest, còn được gọi là RGF, là một thuật toán học máy trong học tập có giám sát. Bằng cách sử dụng phiên bản sửa đổi của phương pháp học cây quyết định, Regularized Greedy Forest là một thuật toán dựa trên dữ liệu cung cấp dự đoán chính xác về tính năng mục tiêu với hiệu suất khái quát hóa tốt.

Thuật toán ban đầu được đề xuất bởi Yoshua Bengio, John Lafferty và Corinna Cortes vào năm 2005. Nó được coi là sự khái quát hóa của kỹ thuật Rừng ngẫu nhiên, được phát triển bởi Leo Breiman. Regularized Greedy Forest hoạt động bằng cách xây dựng một tập hợp các cây quyết định, được huấn luyện bằng cách sử dụng cùng một dữ liệu đầu vào. Nó cũng sửa đổi hai biến trong quá trình học của mỗi cây.

Hai biến sửa đổi là hệ số chính quy, alpha và tốc độ học, lambda. Alpha được sử dụng để sửa đổi trọng số của từng cây và cải thiện hiệu suất tổng quát hóa của tập hợp, trong khi tốc độ học, lambda, được sử dụng để đánh giá sự cân bằng giữa độ chính xác và hiệu suất tổng quát hóa.

Các thuật toán Rừng tham lam chính quy đã được sử dụng trong nhiều lĩnh vực, chẳng hạn như tin sinh học và xử lý hình ảnh. So với các phương pháp tổng hợp hiện có khác, RGF thể hiện hiệu suất khái quát hóa vượt trội đồng thời giảm nguy cơ trang bị quá mức do dữ liệu nhiều chiều.

Nhìn chung, Regularized Greedy Forest là một thuật toán mạnh mẽ dành cho việc học máy có giám sát, tạo ra các dự đoán chính xác và có hiệu suất khái quát hóa tốt.

Người giới thiệu:

Yoshua Bengio, John Lafferty, Corinna Cortes (2005). “Khu rừng tham lam chính quy.” Giao dịch của IEEE trên Mạng thần kinh 16 (10): 1875-1889.

Leo Breiman (2001). “Rừng ngẫu nhiên.” Học máy 45 (1): 5-32.