Taksonomii przypadkowego lasu

W tym blogu postaramy się głębiej kopać w таксономию losowych lasów. Tutaj zapoznamy się z uczeniem się zespołu i spróbujemy go zaimplementować za pomocą Pythona.,

kod znajdziesz tutaj.

jest to ensemble tree-based learning algorithm. Random Forest Classifier to zbiór drzew decyzyjnych z losowo wybranego podzbioru zestawu treningowego. Agreguje głosy z różnych drzew decyzyjnych, aby zdecydować o ostatecznej klasie testowanego obiektu.

algorytm Ensemble:

algorytmy Ensemble to te, które łączą więcej niż jeden algorytm tego samego lub innego rodzaju do klasyfikacji obiektów. Na przykład uruchamianie predykcji nad naiwnymi Bayesami, SVM i drzewem decyzyjnym, a następnie głosowanie nad ostatecznym rozpatrzeniem klasy obiektu testowego.,

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)., Poziome i pionowe osie powyższych wyjść drzewa decyzyjnego można traktować jako funkcje x1 i x2. Przy pewnych wartościach każdej funkcji drzewo decyzyjne generuje klasyfikację „niebieską”, „zieloną”, „czerwoną” itp.

powyższe wyniki są agregowane, za pomocą głosów modelowych lub uśredniania, w jeden
MODEL zespołowy, który ostatecznie przewyższa wyniki każdego indywidualnego drzewa decyzyjnego.

cechy i zalety Random Forest :

1. jest to jeden z najdokładniejszych dostępnych algorytmów uczenia się. Dla wielu zestawów danych tworzy bardzo dokładny klasyfikator.,
2. działa wydajnie na dużych bazach danych.
3. może obsługiwać tysiące zmiennych wejściowych bez usuwania zmiennych.
4. podaje oszacowania, jakie zmienne są ważne w klasyfikacji.
5. generuje wewnętrzne bezstronne oszacowanie błędu uogólnienia w miarę postępu budowy lasu.
6. posiada skuteczną metodę szacowania brakujących danych i utrzymuje dokładność, gdy brakuje dużej części danych.,

wady losowego lasu:

1. zaobserwowano, że losowe lasy nadmiernie dopasowują się do niektórych zbiorów danych z hałaśliwymi zadaniami klasyfikacji / regresji.
2. dla danych zawierających zmienne kategoryczne o różnej liczbie poziomów, losowe lasy są stronnicze na korzyść tych atrybutów o większej liczbie poziomów. W związku z tym wyniki zmiennego znaczenia z losowego lasu nie są wiarygodne dla tego typu danych.,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., Przyjrzeliśmy się algorytmowi ensemble learning w działaniu i staraliśmy się zrozumieć, co sprawia, że Random Forest różni się od innych algorytmów uczenia maszynowego.