Loading article…
機械学習において、グラフト法とは、決定木の分類精度を向上させるための手法である。決定木とは、データに基づいてフローチャートのような構造で選択肢を導き出し、予測を行うモデルである。
訓練データから最初に単純な決定木が構築された後、グラフト化によって新しい決定点、つまり「枝」が慎重に追加されます。このプロセスは、特に元の決定木が誤りを犯した領域において、その論理を洗練させることで、決定木の予測精度を高めることを目的としています。
接ぎ木は、剪定とは概念的に正反対の手法です。剪定は、複雑なツリーから枝を取り除いて単純化し、過学習を防ぐ、より一般的な手法です。剪定はツリーの複雑さを軽減することで汎用性を高めますが、接ぎ木は結果の改善が見込まれる箇所に選択的に複雑さを加えます。
必要な情報は、以下の表の形式で示されています。
与えられた情報からノードと葉を特定し、決定木を構築します。そのような決定木の一例を以下に示します。
ここでは、X軸をA、Y軸をBとします。決定木には2つのカットがあり、それぞれAに対応するノード11と5の位置です。
A > 11 A <= 11 | A >= 5 | A < 5
接ぎ木を用いることで、上記の分類に新たな枝が追加される。
ここでは、ノードと葉についてもBが考慮されます。Bにはさらに2つのカット（7と2）があります。
A > 11 A <= 11 | A >= 5 | A < 5 | B > 7 | B <= 7 | B > 2 | B <= 2
このように、接ぎ木技術によって枝分かれが増加した。
これは、接ぎ木技術を表す最もシンプルな図解方法です。
接ぎ木によって、占有されていない領域を特定し、不適切なクラス割り当てを修正することで精度を高めることができる。各葉に複数の枝を接ぎ木する拡張により、エラーの数を減らすことができる。
しかし、エラーや障害の発生件数を増加させないように、潜在的な新規分岐は慎重に選択する必要がある。
マルチキャストツリー構築の改善[ 1 ]