محققان به تازگی در مقالهای جدید، به بررسی دقیق معیارهای تقسیمبندی در «جنگلهای تصادفی توزیعی» (Distributional Random Forests) پرداختهاند. در این تحقیق، عملکرد روشهای مختلف جایگزینِ CART مورد ارزیابی قرار گرفته است.
نکات کلیدی این پژوهش:
✅ روشهای توزیعی (Distributional criteria) در دادههای چندمتغیره بسیار کارآمدتر از روشهای سنتی عمل میکنند.
✅ مدلهای سادهترِ مبتنی بر میانگین (Mean-based splitting) همچنان برای دادههای جدولی استاندارد، انتخابهای قدرتمندی هستند.
✅ این مطالعه نشان میدهد که برای مسائل پیچیده و وابسته، استفاده از ابزارهای توزیعی به دقتِ مدل کمک شایانی میکند.
اگر در حوزه یادگیری ماشین فعالیت میکنید، این بررسی فنی میتواند دیدگاه جالبی درباره انتخاب الگوریتم مناسب برای سناریوهای خاص دادهای به شما بدهد. 💡
منبع: arXiv Machine Learning