• AA votação majoritária só é eficaz quando os modelos base são treinados com os mesmos hiperparâmetros, o que não ocorreu, pois a floresta aleatória utiliza múltiplas árvores e a árvore de decisão é única.
• BO modelo combinado apresentou pior desempenho porque a floresta aleatória, apesar de mais acurada, é um modelo de aprendizado não supervisionado, e a combinação com um modelo supervisionado gera inconsistência.
• CA votação majoritária pressupõe que os erros dos modelos base sejam independentes; se ambos os modelos cometem erros nos mesmos processos, a combinação não melhora e pode até piorar o desempenho em relação ao melhor modelo individual.
• DA queda de acurácia ocorre porque a árvore de decisão e a floresta aleatória são algoritmos baseados em distância, e a combinação por votação majoritária não é adequada para esse tipo de algoritmo.
• EO resultado inferior deve-se ao fato de que a floresta aleatória já é um método ensemble, e a combinação com outro modelo viola o princípio da diversidade, levando à redundância e à perda de generalização.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.