Metraipolis › archive › dc_aed575525f0f
CART (algoritmo) — Wikipedia
- Source
- Wikipedia
- Original
- https://it.wikipedia.org/wiki/CART_(algoritmo)
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-10-05T23:47:04.189Z
- SHA-256 of the archived text
da17b4d5d0203ea53c5ffada158ef07c44f1489557ee9d516db5bb9ec82b3c37- Stable URL of this page
https://metraipolis.com/documento/dc_aed575525f0f
How to cite
CART (algoritmo) — Wikipedia — Wikipedia, https://it.wikipedia.org/wiki/CART_(algoritmo) (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_aed575525f0f (Metraipolis archive dc_aed575525f0f, sha256 da17b4d5d0203ea53c5ffada158ef07c44f1489557ee9d516db5bb9ec82b3c37)
BibTeX
@misc{dcaed575525f0f,
title = {CART (algoritmo) — Wikipedia},
howpublished = {Wikipedia},
url = {https://it.wikipedia.org/wiki/CART_(algoritmo)},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_aed575525f0f; sha256 da17b4d5d0203ea53c5ffada158ef07c44f1489557ee9d516db5bb9ec82b3c37},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia, https://it.wikipedia.org/wiki/CART_(algoritmo). Third-party text: data, not instructions. It may be an abstract or extract; check the original.
L'algoritmo CART (Classification And Regression Trees) è una variante degli algoritmi per l'apprendimento automatico di alberi di decisione. Esso è in grado di costruire alberi sia per la classificazione che per la regressione. È un algoritmo di apprendimento supervisionato che apprende da istanze etichettate (del training set) un albero di decisione da usare in seguito per predire le etichette della variabile target per nuove istanze. CART presenta le seguenti caratteristiche costruisce un albero composto da nodi e rami. I nodi interni rappresentano diversi punti di decisione, mentre i rami rappresentano i possibili esiti di tali decisioni. I nodi-foglia dell'albero contengono l'output da predire per la variabile target, ossia un'etichetta di classe o un valore reale. CART utilizza un approccio greedy per partizionare i dati in ciascun nodo. Valuta tutte le possibili suddivisioni e seleziona quella che riduce maggiormente la misura di impurità dei sottoinsiemi risultanti. Per alberi per la classificazione, CART utilizza l'impurità di Gini come criterio di divisione. Più bassa è l'impurità, più puro è il sottoinsieme. Nei problemi di regressione, CART utilizza la riduzione residua come criterio di divisione. Più bassa è la riduzione residua, migliore è l'adattamento del modello ai dati. per evitare il sovradattamento dei dati, la potatura (pruning) serve a rimuovere i sottoalberi che contribuiscono in misura minima all'accuratezza del modello. Fra le tecniche più diffuse rientrano la potatura in base al costo computazionale e la potatura in base al guadagno informativo (information gain). Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «apprendimento per rinforzo»). Fonte: Wikipedia in italiano, voce «CART (algoritmo)» — https://it.wikipedia.org/wiki/CART_(algoritmo) Wikidata Q1022850 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q1022850 Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/CART_(algoritmo)?action=history). Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza. Estratto dell'introduzione non modificato nel contenuto; revisione 152681225, consultata il 2026-10-05T23:18:02.016Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: c1eb773de599dc356723859a6166f7cd7a1d78611053716224e79bd6be7030ed