เมื่อเปรียบเทียบ Random Forest กับ Single Decision Tree ข้อใดอธิบายเหตุผลที่ Random Forest มักให้ผลดีกว่าได้ถูกต้องที่สุด
กRandom Forest สร้างต้นไม้การตัดสินใจหลายต้นจากข้อมูลและคุณลักษณะที่สุ่มเลือก แล้วรวมผลลัพธ์ด้วยการโหวตหรือค่าเฉลี่ย ทำให้ลด Variance และความเสี่ยงจากการ Overfitting
ขRandom Forest ใช้ต้นไม้การตัดสินใจต้นเดียวที่มีความลึกมากกว่า Single Decision Tree ทำให้เรียนรู้รูปแบบข้อมูลได้ละเอียดและแม่นยำยิ่งขึ้น
คRandom Forest ลดความซับซ้อนของโมเดลโดยตัดคุณลักษณะที่ไม่สำคัญออก ทำให้ใช้เวลาประมวลผลน้อยกว่าและความแม่นยำสูงกว่า Single Decision Tree
งRandom Forest ใช้หลักการ Boosting นำผลของต้นไม้แต่ละต้นมาแก้ไขข้อผิดพลาดของต้นก่อนหน้า ทำให้ Bias ลดลงและโมเดลมีความแม่นยำสูงขึ้น
เฉลยอธิบาย
Random Forest ใช้หลักการ Bagging (Bootstrap Aggregating) โดยสร้าง Decision Tree หลายต้นจากชุดข้อมูลที่สุ่มเลือก (Bootstrap Sampling) และสุ่มคุณลักษณะในแต่ละต้น แล้วรวมผลด้วยการโหวต (Classification) หรือค่าเฉลี่ย (Regression) วิธีนี้ช่วยลด Variance และป้องกัน Overfitting ที่มักเกิดกับ Single Decision Tree ตัวเลือก B ผิดเพราะ Random Forest ไม่ใช่ต้นเดียวที่ลึกกว่า ตัวเลือก C ผิดเพราะ Random Forest ไม่ได้ตัดคุณลักษณะออก แต่สุ่มเลือก และตัวเลือก D อธิบาย Boosting ซึ่งเป็นวิธีของ AdaBoost หรือ Gradient Boosting ไม่ใช่ Random Forest