Ын Анналин, Су Кеннет

147
тате чего получится более точная и масштабируемая 
модель.
10.5. Ограничения
Ни одна модель не совершенна. Решение о том, вос-
пользоваться ли данной моделью случайного леса, при-
нимается после соотнесения ее предсказательной силы 
и интерпретируемости результатов.
Невозможность интерпретации. Случайные леса счи-
таются черными ящиками, поскольку они состоят из 
случайно сгенерированных деревьев решений, которые 
не основаны на ясных прогностических принципах. На-
пример, мы не можем сказать, как именно случайный 
лес создает свой прогноз, такой как предсказание того, 
что преступление совершится в определенном месте 
и в определенное время. Единственное, что мы знаем, это 
то, что к такому заключению пришло большинство со-
ставляющих его деревьев решений. Недостаток ясности, 
как именно делаются предсказания, создает этические 
трудности, если этот метод применить к таким областям, 
как медицинская диагностика.
Тем не менее случайные леса широко используются, 
поскольку их легко получить. Они очень эффективны 
в ситуациях, когда точность результатов важнее их ин-
терпретируемости.

---

148
Глава 10
. 
Случайные леса
10.6. Краткие итоги

Случайные леса часто дают более точные предсказа-
ния, чем деревья решений, поскольку они задействуют 
два метода: бэггинг и ансамблирование.

Бэггинг подразумевает построение серии взаимно 
независимых деревьев решений путем случайного 
ограничения переменных, используемых для раз-
бивки, в то время как ансамблирование комбинирует 
прогнозы таких деревьев.

Хотя результаты работы случайного леса не поддаются 
интерпретации, предикторы могут быть оценены ис-
ходя из их вклада в точность прогнозирования.

---