JuniorТеорияЧасто

Что выведет эта программа?

Python

import numpy as np
from sklearn.tree import DecisionTreeRegressor

X = np.array([[1], [2], [3], [4], [5]])
y = np.array([10, 20, 30, 40, 50])
model = DecisionTreeRegressor(random_state=0).fit(X, y)
print(model.predict(np.array([[100]]))[0])

50.0

Ждать 1000.0, будто дерево продолжит прямую y = 10x: x = 100 проходит все пороги так же, как x = 5, и попадает в крайний правый лист с константой 50.0.
Ждать 30.0, среднее всех целей: дерево возвращает константу листа, в который попал объект, а не общее среднее, и в этом листе только x = 5.

Что предскажет LinearRegression для того же входа и почему это отличается от дерева?
Как всё же применить дерево для прогноза величины, которая растёт со временем?

Назад к вопросам Открыть тему в роадмапе →Ответь сам — Quiz

Назад к вопросам

JuniorТеорияЧасто

Что выведет эта программа?

Python

import numpy as np
from sklearn.tree import DecisionTreeRegressor

X = np.array([[1], [2], [3], [4], [5]])
y = np.array([10, 20, 30, 40, 50])
model = DecisionTreeRegressor(random_state=0).fit(X, y)
print(model.predict(np.array([[100]]))[0])

50.0

Ждать 1000.0, будто дерево продолжит прямую y = 10x: x = 100 проходит все пороги так же, как x = 5, и попадает в крайний правый лист с константой 50.0.
Ждать 30.0, среднее всех целей: дерево возвращает константу листа, в который попал объект, а не общее среднее, и в этом листе только x = 5.

Что предскажет LinearRegression для того же входа и почему это отличается от дерева?
Как всё же применить дерево для прогноза величины, которая растёт со временем?

Назад к вопросам Открыть тему в роадмапе →Ответь сам — Quiz