Omówienie algorytmu losowego lasu
Algorytmy to zestaw kroków, które należy wykonać, aby wykonać złożone obliczenia w celu rozwiązania problemów. Algorytmy są tworzone w celu rozwiązywania problemów uczenia maszynowego. Algorytm losowego lasu jest jednym z takich algorytmów wykorzystywanych do uczenia maszynowego. Służy do trenowania danych na podstawie wcześniej dostarczonych danych i przewidywania możliwego wyniku na przyszłość. Jest to bardzo popularny i wydajny algorytm uczenia maszynowego.
Zrozumienie algorytmu losowego lasu
Algorytm losowego lasu opiera się na uczeniu nadzorowanym. Może być stosowany zarówno w przypadku problemów z regresją, jak i klasyfikacją. Jak sama nazwa wskazuje, Random Forest można postrzegać jako zbiór algorytmów wielu drzew decyzyjnych z losowym próbkowaniem. Ten algorytm ma na celu wyeliminowanie wad algorytmu drzewa decyzyjnego.
Losowy las to połączenie pomysłu Breimana z „workowaniem” i losowym wyborem funkcji. Chodzi o to, aby przewidywanie było precyzyjne, biorąc średnią lub tryb wyjściowy z wielu drzew decyzyjnych. Im większa liczba drzew decyzyjnych, tym bardziej precyzyjny będzie wynik.
Działanie Losowego Lasu:
Aby zrozumieć działanie losowego lasu, najpierw musimy zrozumieć działanie drzewa decyzyjnego, ponieważ losowy las opiera się na drzewach decyzyjnych.
Drzewo decyzyjne-
Jest to prosty, ale popularny algorytm oparty na podejściu odgórnym. Każdy węzeł w drzewie decyzyjnym reprezentuje atrybut, a liść reprezentuje wynik. Gałęzie, które łączą węzły z liśćmi, to decyzje lub reguły przewidywania. Węzeł główny to atrybut, który najlepiej opisuje zestaw danych szkoleniowych. W ten sposób cały proces jest zobrazowany w strukturę drzewiastą.
Ograniczenia drzewa decyzyjnego: Ma tendencję do nadpisywania w zestawie danych treningowych. Dlatego w przypadku użycia z testem lub innym zestawem danych wyniki mogą być różne. Prowadzi to do złych decyzji. Drzewa mogą być niestabilne, ponieważ niewielka zmiana danych może prowadzić do zupełnie innego drzewa.
Losowy las używa metody workowania, aby uzyskać pożądany rezultat. Koncepcja polega na zastosowaniu algorytmu drzewa decyzyjnego do zbioru danych, ale za każdym razem z różnymi próbkami danych treningowych. Dane wyjściowe tych drzew decyzyjnych będą różne i mogą być tendencyjne na podstawie danych szkoleniowych dostarczanych do algorytmu. Tak więc, ostateczny wynik może być przyjęty jako średnia lub tryb wyjścia pojedynczego drzewa decyzyjnego. Dlatego wariancję można zmniejszyć. Pobieranie próbek można wykonać za pomocą zamiany. Dane wyjściowe drzew decyzyjnych są uszeregowane w kolejności, a ta o najwyższej randze będzie ostateczną produkcją Losowego Lasu. Tak więc uzyskana moc wyjściowa będzie mniej tendencyjna i bardziej stabilna.
Znaczenie algorytmu losowego lasu:
- Algorytm losowego lasu może być wykorzystywany zarówno w modelach regresji, jak i klasyfikacji uczenia maszynowego.
- Może także obsługiwać brakujące wartości w zbiorze danych.
- W przeciwieństwie do drzewa decyzyjnego, nie będzie ono przewyższać modelu i może być również użyte do zmiennych kategorialnych. Losowy las dodaje losowość do modelu.
- W przeciwieństwie do drzew decyzyjnych, zamiast przeszukiwać jedną najważniejszą funkcję do zbudowania drzewa decyzyjnego, przeszukuje najlepszą funkcję za pomocą losowego podzbioru cech drzew.
- Następnie wygeneruj dane wyjściowe na podstawie najwyżej uporządkowanych danych wyjściowych podzbiorowych drzew decyzyjnych.
Przykład z prawdziwego życia
Załóżmy, że dziewczyna o imieniu Lisa chce założyć książkę, więc poszła do jednego z przyjaciół Davida i poprosiła o jego sugestię. Zasugerował Lisie książkę opartą na pisarce, którą przeczytała. Podobnie poszła do kilku innych przyjaciół, aby ich sugestie i na podstawie gatunku, autora i wydawcy zasugerowali kilka książek. Zrobiła z tego listę. Potem kupiła książkę, którą sugerowała większość jej przyjaciół.
Załóżmy, że jej przyjaciele są drzewem decyzyjnym i gatunkiem, autor, wydawca itp. Jest cechą danych. Dlatego Lisa przechodząc do różnych przyjaciół reprezentuje różne drzewa decyzyjne. Dlatego wynikiem algorytmu jest książka, która uzyskała większość głosów.
Losowe zastosowania algorytmu leśnego:
- Algorytm losowego lasu jest wykorzystywany w wielu dziedzinach, takich jak bankowość, handel elektroniczny, medycyna, giełda itp.
- W bankowości służy do określania lojalnych klientów i klientów oszustów. Służy do wykrycia, który klient będzie w stanie spłacić pożyczkę. Ponieważ w bankowości bardzo ważne jest udzielanie pożyczek tylko tym klientom, którzy będą w stanie spłacić je na czas. Losowy las służy również do przewidywania, czy klient jest nieuczciwy. Wzrost banku zależy od tego rodzaju prognoz.
- W dziedzinie leczniczej losowy las służy do diagnozowania choroby na podstawie przeszłej dokumentacji medycznej pacjentów.
- Na rynku akcji losowy las służy do identyfikacji rynku i zachowania stada.
- W dziedzinie handlu elektronicznego ten algorytm służy do przewidywania preferencji klienta na podstawie wcześniejszych zachowań.
Korzyść:
- Jak wspomniano powyżej, algorytm losowego lasu może być stosowany zarówno w przypadku problemu regresji, jak i klasyfikacji. Jest łatwy w użyciu. Przeładowanie zestawu danych nie stanowi problemu w algorytmie losowego lasu.
- Można go użyć do zidentyfikowania najważniejszej funkcji spośród dostępnych funkcji. Przy użyciu hiperparametru często powstają dobre prognozy i bardzo łatwo je zrozumieć.
- Losowy las ma wysoką dokładność, elastyczność i mniejszą wariancję.
Niekorzyść:
- Wraz ze wzrostem liczby drzew algorytm staje się wolny i nieskuteczny w obsłudze scenariuszy w czasie rzeczywistym.
- Losowy las zajmuje więcej czasu niż drzewo decyzyjne.
- Wymaga także więcej zasobów do obliczeń.
Przykłady: firmy używają algorytmów uczenia maszynowego, aby lepiej rozumieć swoich klientów i rozwijać działalność. Algorytm losowego lasu można wykorzystać do zrozumienia preferencji klienta. Można go również wykorzystać do przewidywania prawdopodobieństwa zakupu określonego produktu przez osobę. Załóżmy, że biorąc pod uwagę takie cechy, jak masa, wzrost, kolor, średnia, zużycie paliwa itp., Firma może przewidzieć, czy będzie to udany produkt na rynku, czy nie. Można go wykorzystać do identyfikacji czynników odpowiedzialnych za wysoką sprzedaż.
Wniosek:
Algorytm losowego lasu jest prosty w użyciu i skuteczny algorytm. Potrafi przewidywać z dużą dokładnością i dlatego jest bardzo popularny.
Polecane artykuły
To był przewodnik po algorytmie losowego lasu. Tutaj omawiamy działanie, zrozumienie, znaczenie, zastosowanie, zalety i wady algorytmu losowego lasu. Możesz także przejrzeć nasze inne sugerowane artykuły, aby dowiedzieć się więcej -
- Co to jest algorytm?
- Naiwny algorytm Bayesa
- Co to jest Chciwy Algorytm?
- Co to jest Data Lake?
- Najczęściej stosowane techniki uczenia się w zespole