#37. Критерии качества для построения решающих деревьев | Машинное обучение

Практический курс по ML на Stepik: stepik.org/cou...
Принципы построения решающих деревьев. Понятие impurity (информативности) и информационного выигрыша (information gain) для выбора наилучших признаков и порогов для предикатов.
Инфо-сайт: proproprogs.ru/ml
Телеграм-канал: t.me/machine_l...

[@user-qj6tk5fw9p]

Большое спасибо, очень информативно и интересно!

[@dubinin_s]

Спасибо большое за видео. Как всегда за 15 минут объяснили лучше и понятнее, чем некоторые за 1,5 часовые лекции.

[@unaibekovbakhyt6517]

Благодарю за классные уроки

[@mikewinny3856]

Странно, что вы не рассмотрели (или не сравнили с выбранным вами) начальное разбиение при пороге 8 - да, количество узлов увеличивается, но именно глубина дерева уменьшается, а это более критичный параметр, и было бы интересно показать различие критериев при данном выборе

[@andreychernykh256]

коммент в поддержку канала!!!!!!!!

[@nightlywish2583]

Хорошее видео

[@user-rg2jk8ow3m]

👍

[@izpodvorotni]

Вау, я понял