Kas yra bias ir variance, ir kas sumažėja atsitiktiniame miške?

Mašininiame mokyme:

• Bias (šališkumas) — tai klaida, kuri atsiranda dėl pernelyg paprasto modelio, kuris negali gerai apytiksliai atspindėti tikrąją priklausomybę. Aukštas bias sukelia nepakankamą mokymąsi.
• Variacija — tai modelio jautrumas pokyčiams mokymo duomenyse. Aukšta variacija reiškia, kad modelis per daug prisitaiko prie triukšmo duomenyse, kas sukelia per didelį pritaikymą.

Atsitiktinis miškas — tai kelių sprendimų medžių rinkinys, sukurtas remiantis atsitiktiniais duomenų ir požymių pogrupiais. Jis sumažina variaciją palyginti su vienu medžiu, nes prognozių vidurkis sumažina atsitiktinių svyravimų įtaką duomenyse, o bias lieka maždaug to paties lygio arba šiek tiek padidėja.

Pavyzdys:

from sklearn.ensemble import RandomForestClassifier

# Atsitiktinis miškas sumažina variaciją vidurkio būdu
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)