Uma comparação de modelos é mais fácil de interpretar quando a única diferença pretendida é o estimador. Estas tarefas fornecem objetos de treinamento e teste fixos e pedem que você ajuste uma árvore ou um ensemble específico. Os registros fictícios mudam de uma tarefa para outra, então leve adiante o fluxo de trabalho em vez de copiar previsões anteriores.
Árvores de classificação e de regressão compartilham a ideia de dividir, mas produzem saídas de tipos diferentes. As florestas calculam a média de árvores aleatorizadas; o boosting constrói uma sequência aditiva. Respeite a família de estimadores, o tamanho, a profundidade e a semente solicitados em cada enunciado. Essas configurações tornam a comparação repetível e mantêm o ajuste ágil no notebook. Os erros deliberados incluem ajustar com linhas reservadas e substituir o modelo por um estimador dummy. Os dois podem devolver arrays com o formato certo e ainda responder ao experimento errado.
O estimador ajustado aprende com a partição de treino. Prever as entradas reservadas gera uma saída para cada observação de teste, pronta para ser avaliada.