Solucionado
Olá.
Seguindo os passos dessa atividade, usando o BaggingClassifier, chegamos em um modelo que me lembra muito uma Random Forest.
Por favor, gostaria de saber se, nesse caso específico dos passos feitos no vídeo, criamos de fato uma Random Forest. Se não for isso, qual seria a diferença?
Dei uma pesquisada sobre isso, mas não consegui entender onde fica a diferença, visto que no modelo criado passamos um max_features diferente de 1.
Obrigado!
hoje, com a Alura e o Google Gemini
Olá, Matheus!
Excelente observação! Você está correto, o BaggingClassifier com árvores de decisão como base do estimador e com o parâmetro max_features diferente de 1 é, de fato, muito similar a uma RandomForest.
No entanto, há uma diferença fundamental entre eles. Na RandomForest, cada árvore é construída a partir de uma amostra bootstrap (uma amostra aleatória com reposição do conjunto de treinamento). Além disso, ao dividir cada nó durante a construção da árvore, a melhor divisão é encontrada dentre um subconjunto aleatório dos recursos, o que é especificado pelo parâmetro max_features.
Por outro lado, no BaggingClassifier, todas as features são consideradas para a divisão de cada nó na árvore de decisão. Ou seja, o parâmetro max_features é usado para determinar a quantidade de recursos fornecidos para cada árvore, mas todas as features são consideradas para cada divisão de nó.
Em resumo, a principal diferença é que a RandomForest realiza uma busca aleatória de features para as divisões de nós, o que pode resultar em árvores mais descorrelacionadas e, consequentemente, em um modelo com menor variância. Já o BaggingClassifier considera todas as features para cada divisão de nó.
Espero ter ajudado e bons estudos!