الغابة العشوائية Random forest
الغابة العشوائية أو الغابة العشوائية عبارة عن خوارزمية تعلم آلي مصممة للحصول على تنبؤ موثوق بفضل نظام الفراغات العشوائية.
فهرس
- ما هي الغابة العشوائية؟
- الانحدار العشوائي للغابات
- غابة تصنيف عشوائي
- ما هو البحث الشبكي؟
- الغابة العشوائية مقابل تعزيز التدرج
ما هي الغابة العشوائية؟
تُستخدم الغابة العشوائية أو الغابة العشوائية في التعلم الآلي ، وهي عبارة عن خوارزمية تنبؤ تم إنشاؤها في عام 1995 بواسطة Ho ، ثم اقترحها رسميًا العلماء Adele Cutler و Leo Breiman في عام 2001. كما سنرى ، فهي تجمع بين مفاهيم المساحات الفرعية العشوائية والتعبئة.
تتكون الغابة العشوائية من عدة أشجار قرار ، مدربة بشكل مستقل على مجموعات فرعية من مجموعة بيانات التعلم (طريقة التعبئة). ينتج كل منها تقديرًا ، وهي مجموعة النتائج التي ستعطي التنبؤ النهائي الذي ينتج عنه تباين أقل . باختصار ، إنها مسألة أخذ الإلهام من الآراء المختلفة ، والتعامل مع نفس المشكلة ، من أجل فهمها بشكل أفضل. يتم توزيع كل نموذج بشكل عشوائي إلى مجموعات فرعية من أشجار القرار.
كيف يعمل الانحدار العشوائي للغابات؟
يتم استخدام الغابة العشوائية لتطبيق الانحدار. استنادًا إلى نظام التعبئة (انظر أعلاه) ، تتكون الغابة العشوائية للانحدار بشكل تخطيطي من حساب متوسط التوقعات التي تم الحصول عليها من خلال جميع تقديرات أشجار القرار للغابة العشوائية.
كيف يعمل تصنيف الغابة العشوائية؟
في تصنيف الغابة العشوائية ، يتكون التقدير النهائي من اختيار فئة الاستجابة الأكثر شيوعًا. بدلاً من استخدام جميع النتائج التي تم الحصول عليها ، يتم التحديد من خلال البحث عن التوقعات التي تظهر في أغلب الأحيان.
ما هو البحث الشبكي؟
البحث في الشبكة هو طريقة لتحسين المعلمات الفائقة لنموذج التعلم الآلي (أو تحسين المعلمة الفائقة). في حالة الغابة العشوائية ، يكون عادةً عدد الأشجار وعدد المتغيرات.
يُنشئ البحث الشبكي نماذج مطابقة لكل مجموعة من المعلمات التشعبية. والتي يمكن أن تفعل الكثير بسرعة وبالتالي إطالة وقت التدريب. لذلك لا ينصح بإساءة استخدامها.
الغابة العشوائية مقابل تعزيز التدرج
تعمل آلة تعزيز التدرج (GBM) على نموذج مشابه للتعبئة ، ولكن على عكس الغابة العشوائية الكلاسيكية ، فإنها تعدل قاعدة التعلم مع تقدم التدريب. يستخدم التدرج اللوني لوظيفة الخسارة (أو نزول التدرج اللوني) لتصحيح أخطاء الشجرة السابقة وبالتالي تحسين نتائج النموذج. يستخدم التعزيز المتدرج بشكل خاص في اكتشاف العيوب ، وهي حالة تكون فيها البيانات غالبًا غير متوازنة.