Decision trees and random forests are commonly used in the field of statistics and data mining. A single-tree classifier does not perform well due to limited performance and overfitting tendency. The random forest is an improvement over single decision tree classifier. In this paper, methods of decision tree and random forest are used to solve a test classification problem. By comparing the evaluation criteria such as AUC value and classification accuracy, degree of classification quality improvement when moving to a mentioned ensemble approach is estimated.
Деревья решений и случайные леса обычно используются в области статистики и интеллектуального анализа данных. Классификатор с единственным деревом работает плохо из-за ограниченной производительности и тенденции к переобучению. Случайный лес является улучшением по сравнению с деревом решений. В статье деревья решений и случайный лес применяются для решения тестовой задачи классификации. Путем сравнения таких критериев оценки, как значение AUC и точность классификации, оценивается степень улучшения качества классификации при переходе к упомянутому ансамблевому подходу.