Bu soru bu çok güzel yazı ile ele alınmıştır. Lütfen buna ve oradaki referanslara bir bakın. http://fastml.com/what-is-better-gradient-boosted-trees-or-random-forest/
Makalede kalibrasyon hakkında konuştuğuna ve bunun hakkında başka (güzel) bir blog yayınına bağlantı olduğuna dikkat edin. Yine de, Arttırılmış Kalibre Edilmiş Olasılıkları Alma makalesinin , artırılmış sınıflandırıcılar bağlamında hangi kalibrasyonun ne olduğunu ve bunun için standart metotların ne olduğunu daha iyi anlamanızı sağlar.
Ve nihayet bir yönü eksik (biraz daha teorik). Hem RF hem de GBM bir araya getirilmiş yöntemlerdir; yani, çok sayıda daha küçük sınıflandırıcıdan bir sınıflandırıcı oluşturursunuz. Şimdi temel fark, kullanılan yönteme dayanmaktadır:
- RF, çok fazla uydurma eğilimli karar ağaçları kullanıyor. Daha yüksek doğruluk elde etmek için RF, torbalamaya dayalı çok sayıda ürün yaratmaya karar verir . Temel fikir, verileri tekrar tekrar örneklemek ve her örnek için yeni bir sınıflandırıcı tanımlamaktır. Farklı sınıflandırıcılar verilere farklı bir şekilde uyum sağlar ve oylama yoluyla bu farklılıkların ortalaması alınır.
- GBM, zayıf sınıflandırıcılara dayanan bir yükseltme yöntemidir . Fikir, bir seferde bir sınıflandırıcı eklemek, böylece bir sonraki sınıflandırıcı, önceden eğitilmiş topluluğu geliştirmek için eğitiliyor. Her yinelemede RF için sınıflandırıcının diğerlerinden bağımsız olarak eğitildiğine dikkat edin.