Random Forest
Random Forest
互動練習
調整參數，觀察
準確率
與投票收斂。
重新產生資料
回到預設
樣本數
-
核准率
-
訓練
/
測試
-
標記噪聲率
-
Bagging
vs
Boosting
先看方法差異，再做下方
Random Forest
互動。
Bagging
Boosting
訓練方式
多個模型
平行訓練
，最後做平均或多數決。
主要效果
降低
變異
，讓模型更穩定。
代表方法
Random Forest
。
適合：單模型容易不穩定、資料含噪聲時。
訓練方式
模型
序列訓練
，後一個專注修正前一個的錯誤。
主要效果
降低
偏差
，提升表現上限。
代表方法
Gradient Boosting
、
XGBoost
、
LightGBM
。
適合：追求高準確率，且可接受較高調參成本。
Bagging
（
Random Forest
）設定與結果
調參後即時更新結果。
參數設定
樹的數量
5
每棵樹
最大深度
9
最小葉節點樣本
2
mtry
（每次分裂可看特徵）
4
啟用
Bootstrap 抽樣
投票觀察
選一位測試客戶
播放速度
x3
播放投票
單步
清空
森林訓練準確率
0%
森林測試準確率
0%
單棵樹測試準確率
0%
已揭露票數
0
核准票數
0
目前決策
-
核准票占比
0%
婉拒票占比
0%
即時投票牆（A=核准, R=婉拒）
訓練說明
模型表現比較：
單棵樹測試
、
森林測試
、
森林訓練
。