![Sblocco di approfondimenti: foreste casuali per PCA e importanza delle funzionalità | di Christopher Karg | Marzo 2024
| Intelligenza-Artificiale Sblocco di approfondimenti: foreste casuali per PCA e importanza delle funzionalità | di Christopher Karg | Marzo 2024
| Intelligenza-Artificiale](https://intelligenza-artificiale.eu/wp-content/uploads/2024/03/Sblocco-di-approfondimenti-foreste-casuali-per-PCA-e-importanza-delle.jpeg)
Come una soluzione collaudata può produrre risultati eccellenti nell'affrontare un problema quotidiano di ML
Con così tanta attenzione all'intelligenza artificiale generativa e alle vaste reti neurali, è facile trascurare i collaudati algoritmi di machine learning di un tempo (in realtà non sono così vecchi…). Mi spingerei fino a sostenere che, per la maggior parte dei casi aziendali, una semplice soluzione di machine learning andrà oltre la più complessa implementazione dell’intelligenza artificiale. Non solo gli algoritmi ML si adattano molto bene, ma la complessità molto inferiore del modello è ciò che (a mio parere) li rende superiori nella maggior parte degli scenari. Per non parlare del fatto che è stato anche molto più semplice monitorare le prestazioni di tali soluzioni ML.
In questo articolo affronteremo un classico problema di ML utilizzando una soluzione di ML classica. Più specificamente, mostrerò come è possibile (in poche righe di codice) identificare l'importanza delle caratteristiche all'interno di un set di dati utilizzando un classificatore Random Forest. Inizierò dimostrando l'efficacia di questa tecnica. Applicherò quindi un approccio “ritorno alle origini” per mostrare come funziona questo metodo dietro le quinte, creando un albero decisionale e una foresta casuale da zero e confrontando i modelli lungo il percorso.
Fonte: towardsdatascience.com