Je ne comprends pas exactement ce que l'on entend par taille de nœud. Je sais ce qu'est un nœud de décision, mais pas sa taille.
la source
Je ne comprends pas exactement ce que l'on entend par taille de nœud. Je sais ce qu'est un nœud de décision, mais pas sa taille.
Un arbre de décision fonctionne par partition récursive de l'ensemble d'apprentissage. Chaque nœud d'un arbre de décision est associé à un ensemble de n t points de données de l'ensemble d'apprentissage:
Vous pouvez trouver le paramètre nodesize
dans certains packages de forêts aléatoires, par exemple R : Il s'agit de la taille minimale du nœud , dans l'exemple ci-dessus, la taille minimale du nœud est 10. Ce paramètre définit implicitement la profondeur de vos arbres.
nodesize
du package de forêt aléatoire R
Taille minimale des nœuds terminaux. Si ce nombre est plus élevé, des arbres plus petits poussent (et prennent donc moins de temps). Notez que les valeurs par défaut sont différentes pour la classification (1) et la régression (5).
Dans d'autres packages, vous trouverez directement le paramètre depth
, par exemple WEKA :
-depth
du paquet forestier aléatoire WEKA
La profondeur maximale des arbres, 0 pour illimité. (par défaut 0)
Il n'est pas clair si la taille du nœud est sur l'échantillonnage «dans le sac» ou sur l'erreur «hors du sac». S'il s'agit de l'échantillonnage «hors sac», il est légèrement plus restrictif.
la source