مقایسه عملکرد روش های جنگل تصادفی و XGBoost نسبت به روش درخت تصمیم

سال انتشار: 1401
محل انتشار: پانزدهمین کنفرانس بین المللی فناوری اطلاعات،کامپیوتر و مخابرات
کد COI اختصاصی: ITCT15_033
زبان مقاله: فارسی
تعداد مشاهده: 823

نویسندگان

دانشجوی کارشناسی ارشد، دانشکده عمران و محیط زیست، دانشگاه صنعتی امیرکبیر

استادیار گروه مهندسی عمران، دانشگاه شهاب دانش

چکیده

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.

کلیدواژه ها

پیش بینی خرید خودرو، درخت تصمیم، جنگل تصادفی، XGBoost

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.