Extremely Randomized TreesExtremely

Extremely Randomized TreesExtremely randomized trees are another tree-based ensemble method for classificationproblems. Geurts et al. [45] state that the cut-point, determined in the node ofa decision tree, is associated with high variance in tree-based models, such as CARTand C4.5. It is therefore responsible for a significant part of the error rates of tree-basedmethods [45]. Rather than relying on discriminative thresholds in the decisionnode, the split is randomly selected in this algorithm to mitigate these problems.

結果 (繁體中文) 1:

非常隨機的樹木
非常隨機的樹木是為了分類，另一種基於樹的集成方法
的問題。Geurts等人。[45]狀態下的切點，在該節點確定
的決策樹，與在基於樹的模型，如CART高方差相關聯
和C4.5。因此，對於基於樹的錯誤率的顯著負責任的
方法[45]。而不是依賴於在該決定的閾值判別
節點，分割在此算法來減輕這些問題是隨機選擇的。

結果 (繁體中文) 2:

極隨機樹
極隨機的樹是另一種基於樹的分類組合方法
問題。Geurts 等人 [45] 指出，在
決策樹與基於樹的模型（如 CART）中的高方差相關聯
和C4.5。因此，它負責相當一部分基於樹的錯誤率
方法 [45]。而不是在決策中依賴歧視性閾值
節點，在此演算法中隨機播放拆分以緩解這些問題。 ...

結果 (繁體中文) 3:

極隨機樹
極隨機化樹是另一種基於樹的集成分類方法
問題。Geurts等人。[45]說明在節點
在基於樹的模型（如CART）中，決策樹與高方差關聯
和C4.5。囙此，它對基於樹的錯誤率的很大一部分負責
方法[45]。而不是依靠判决中的歧視性閾值
節點，在該算灋中隨機選擇分割來緩解這些問題。