مقایسه عملکرد روش های جنگل تصادفی و XGBoost نسبت به روش درخت تصمیم
Publish place: 15th International Conference on Information Technology, Computers and Telecommunications
Publish Year: 1401
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 615
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ITCT15_033
تاریخ نمایه سازی: 3 مرداد 1401
Abstract:
الگوریتم درخت تصمیم یکی از الگوریتم های مهم در یادگیری ماشین برای اهداف طبقه بندی و رگرسیون می باشد. این الگوریتم در عین سادگی دارای ضعف هایی می باشد که در کاربردهای عملی استفاده مستقیم از آن خیلی مناسب نمی باشد. بنابراین در سال های اخیر با استفاده از شیوه های مختلف به بهبود عملکرد این روش پرداخته شده است. در این مطالعه با استفاده از ۳روش درخت تصمیم، جنگل تصادفی و XGBoost به پیش بینی خرید خودرو با استفاده از مجموعه داده ارزیابی خودرو که از مخزن داده خودروهای اهدایی مارکوبوهانک در دانشگاه کالیفرنیا بدست آمده است، پرداخته می شود. برای حل مسئله موردنظر، با بهینه کردن یک هایپرپارامتر مشترک بین تمامی روش ها و آموزش مدل ها بر اساس آن، عملکرد روش ها با یکدیگر مقایسه می گردد. با توجه به نتایج بدست آمده، الگوریتم جنگل تصادفی و XGBoost با وجود این که زمان آموزش بیشتری نسبت به الگوریتم درخت تصمیم دارند، دقت های بسیار خوب و پیش بینی های قابل اعتمادتری را از حل مسئله ارائه می دهند.
Keywords:
Authors
فرزانه زارعیان
دانشجوی کارشناسی ارشد، دانشکده عمران و محیط زیست، دانشگاه صنعتی امیرکبیر
محمدسجاد زارعیان
استادیار گروه مهندسی عمران، دانشگاه شهاب دانش