Random Forest Tassonomia

e la sua implementazione in Python

Afroz Chakure

Seguire

Lug 6, 2019 · 3 min leggere

In questo blog si ‘ll cercare di scavare più in profondità nella Foresta Casuale Tassonomia. Qui impareremo a conoscere l’apprendimento di ensemble e cercheremo di implementarlo usando Python.,

Puoi trovare il codice qui.

È un algoritmo di apprendimento basato su un albero di ensemble. Il classificatore di foresta casuale è un insieme di alberi decisionali dal sottoinsieme selezionato casualmente del set di allenamento. Aggrega i voti da diversi alberi decisionali per decidere la classe finale dell’oggetto di test.

Algoritmo di ensemble:

Gli algoritmi di ensemble sono quelli che combinano più algoritmi dello stesso tipo o diversi per classificare gli oggetti. Ad esempio, eseguendo la previsione su Naive Bayes, SVM e Albero decisionale e quindi prendendo il voto per l’esame finale della classe per l’oggetto di test.,

Types of Random Forest models:

1. Random Forest Prediction for a classification problem:

f(x) = majority vote of all predicted classes over B trees

2.,n :

The 9 decision tree classifiers shown above can be aggregated into a random forest ensemble which combines their input (on the right)., Gli assi orizzontale e verticale delle uscite dell’albero decisionale sopra possono essere pensati come caratteristiche x1 e x2. A determinati valori di ciascuna caratteristica, l’albero delle decisioni emette una classificazione di ” blu”, “verde”, “rosso”, ecc.

Questi risultati di cui sopra sono aggregati, attraverso i voti del modello o la media, in un singolo
modello di ensemble che finisce per sovraperformare l’output di qualsiasi singolo albero decisionale.

Caratteristiche e vantaggi di Random Forest:

1. È uno degli algoritmi di apprendimento più accurati disponibili. Per molti set di dati, produce un classificatore altamente accurato.,
2. Funziona in modo efficiente su database di grandi dimensioni.
3. E ‘ in grado di gestire migliaia di variabili di input senza cancellazione variabile.
4. Fornisce stime di quali variabili sono importanti nella classificazione.
5. Genera una stima interna imparziale dell’errore di generalizzazione mentre l’edificio forestale progredisce.
6. Ha un metodo efficace per stimare i dati mancanti e mantiene la precisione quando manca una grande percentuale dei dati.,

Svantaggi della foresta casuale:

1. È stato osservato che le foreste casuali si adattano troppo per alcuni set di dati con compiti di classificazione / regressione rumorosi.
2. Per i dati che includono variabili categoriali con diverso numero di livelli, le foreste casuali sono prevenute a favore di quegli attributi con più livelli. Pertanto, i punteggi di importanza variabile della foresta casuale non sono affidabili per questo tipo di dati.,div>
   

   Creating a Random Forest Classification model and fitting it to the training data

   

   Predicting the test set results and making the Confusion matrix

   

   Conclusion :

   In this blog we have learned about the Random forest classifier and its implementation., Abbiamo esaminato l’algoritmo di apprendimento integrato in azione e abbiamo cercato di capire cosa rende la Foresta casuale diversa da altri algoritmi di apprendimento automatico.