부스티드 트리 플랫폼 개요
부스티드 트리 플랫폼에서는 계층에 생성된 여러 개의 더 작은 의사 결정 나무를 기반으로 하는 가법 의사 결정 나무 모형을 생성합니다. 각 계층의 트리는 소수의 분할로 구성됩니다(보통 5개 이하). 각 계층은 파티션 모형에 설명된 재귀적 적합 방법론을 사용하여 적합됩니다. 차이는 지정된 수의 분할이 수행되면 적합이 중지된다는 것뿐입니다. 트리가 주어지면 잎에 있는 관측값의 예측값은 해당 잎에 있는 모든 관측값의 평균입니다.
적합 프로세스는 다음과 같습니다.
1. 초기 계층을 적합시킵니다.
2. 잔차를 계산합니다. 이 값은 잎 내의 관측값에 대한 실제 값에서 예측 평균을 뺀 값입니다.
3. 계층을 잔차에 적합시킵니다.
4. 가법 트리를 생성합니다. 주어진 관측값에 대해 전체 계층에서 예측값의 합계를 계산합니다.
5. 지정된 계층 수에 도달할 때까지 또는 검증을 사용하는 경우 추가 계층을 적합시켜도 검증 통계량이 더 이상 개선되지 않을 때까지 step 2 ~ step 4를 반복합니다.
최종 예측은 모든 계층에서 관측값에 대한 예측을 합한 것입니다.
이전 계층의 잔차에 대해 연속적으로 계층을 적합시키면 각 계층에서 적합성을 향상시킬 수 있습니다.
범주형 반응의 경우 반응 수준이 두 개인 반응만 지원됩니다. 범주형 반응을 사용할 때 각 계층에서 적합된 잔차는 선형 로짓의 오프셋입니다. 최종 예측은 모든 계층에 대한 선형 로짓 합계의 로지스틱 변환입니다.
부스티드 트리에 대한 자세한 내용은 Hastie et al. (2009) 연구 자료에서 확인하십시오.