우리는 논문에서 사용된 분류 기술에 대한 간략한 개요를 제시하면서 진행합니다. 기법 의사결정 트리 의사결정 트리는 거꾸로 된 트리 구조를 따르며 데이터를 가지로 나눕니다. 모델은 속성에 대해 내려야 할 결정을 나타내는 노드가 있는 순서도와 유사한 일련의 논리적 결정으로 구성됩니다. 분기는 결정의 선택을 반영합니다 [ 17 ]. 각 분기의 노드는 클래스와 클래스 분포를 모두 나타냅니다. 트리에서 가장 큰 노드는 정보 이득이 가장 높은 루트 노드입니다[ 29 ]. 첫 번째 노드 이후에 정보 이득이 가장 높은 후속 노드 중 하나가 선택되어 다음 노드의 잠재적 요소로 테스트됩니다. 이 과정은 모든 변수가 비교되거나 표본을 나눌 수 있는 남은 변수가 없을 때까지 계속됩니다. 그런 다음 트리는 결정 조합, 클래스 또는 클래스 분포 비교와 관련된 경로를 표시하는 노드로 끝납니다. 랜덤 포레스트 Lantz [ 17 ] 에 따르면 의사결정 트리 세트를 기반으로 하는 Random Forest 방법은 단일 기계 학습 접근 방식에 다양성과 강력함을 결합합니다. 이 방법은 전체 관찰 세트 중 작은 무작위 부분만 사용하며 소위 "차원성의 저주"로 인해 다른 모델이 실패할 수 있는 대규모 데이터 세트를 처리할 수 있습니다. 이 접근 방식은 특성을 무작위로 선택하는 배깅의 기본을 사용하여 의사결정 트리 모델에 다양성을 추가합니다. 랜덤 포레스트가 생성된 후 모델은 투표 수[ 10 , 30 ]를 기반으로 한 절차에 따라 트리의 예측을 결합합니다. 구글상위노출 구글상위노출 스포츠중계사이트제작 스포츠중계 제작 구글상위노출 온라인카지노 소액결제현금화 무료스포츠중계 무료스포츠중계 성인용품 성인용품 롤 토토 롤 토토 비제이벳 강남달토 강남레깅스룸 구글 백링크 11