Zawartość
P:
W jaki sposób firmy mogą wykorzystywać losowe modele lasu do prognoz?
ZA:
Firmy często używają losowych modeli lasu w celu prognozowania procesów uczenia maszynowego. Losowy las wykorzystuje wiele drzew decyzyjnych, aby przeprowadzić bardziej całościową analizę danego zestawu danych.
Pojedyncze drzewo decyzyjne działa na podstawie oddzielenia określonej zmiennej lub zmiennych zgodnie z procesem binarnym. Na przykład przy ocenie zestawów danych związanych z zestawem samochodów lub pojazdów pojedyncze drzewo decyzyjne może sortować i klasyfikować każdy pojazd pod względem masy, dzieląc je na ciężkie lub lekkie pojazdy.
Losowy las opiera się na modelu drzewa decyzyjnego i czyni go bardziej wyrafinowanym. Eksperci mówią o losowych lasach jako o „dyskryminacji stochastycznej” lub metodzie „zgadywania stochastycznego” w odniesieniu do danych stosowanych w przestrzeniach wielowymiarowych. Dyskryminacja stochastyczna jest zazwyczaj sposobem na ulepszenie analizy modeli danych, wykraczającym poza możliwości pojedynczego drzewa decyzyjnego.
Zasadniczo losowy las tworzy wiele indywidualnych drzew decyzyjnych pracujących na ważnych zmiennych z określonym zestawem danych. Jednym z kluczowych czynników jest to, że w losowym lesie zestaw danych i analiza zmiennych każdego drzewa decyzyjnego zazwyczaj się nakładają. Jest to ważne dla modelu, ponieważ losowy model lasu przyjmuje średnie wyniki dla każdego drzewa decyzyjnego i uwzględnia je w ważonej decyzji. Zasadniczo w analizie bierze się wszystkie głosy z różnych drzew decyzyjnych i buduje się konsensus, aby zaoferować produktywne i logiczne wyniki.
Jeden przykład produktywnego wykorzystania losowego algorytmu leśnego jest dostępny na stronie R-blogger, gdzie pisarka Teja Kodali bierze przykład określania jakości wina za pomocą takich czynników, jak kwasowość, cukier, poziomy dwutlenku siarki, wartość pH i zawartość alkoholu. Kodali wyjaśnia, w jaki sposób algorytm losowego lasu używa małego losowego podzbioru funkcji dla każdego drzewa, a następnie wykorzystuje uzyskane średnie.
Mając to na uwadze, przedsiębiorstwa chcące korzystać z algorytmów uczenia się maszyn leśnych do modelowania predykcyjnego najpierw wyodrębnią dane predykcyjne, które należy sprowadzić do zestawu produkcji, a następnie zastosują je do modelu lasu losowego z wykorzystaniem pewnego zestawu szkoleń dane. Algorytmy uczenia maszynowego biorą te dane szkoleniowe i pracują z nimi, aby ewoluować poza ograniczenia ich oryginalnego programowania. W przypadku losowych modeli lasów technologia uczy się tworzyć bardziej wyrafinowane wyniki predykcyjne, wykorzystując te indywidualne drzewa decyzyjne do budowania swojego losowego konsensusu leśnego.
Jednym ze sposobów, w jaki można to zastosować w biznesie, jest wzięcie różnych zmiennych właściwości produktu i użycie losowego lasu w celu wskazania potencjalnego zainteresowania klientów. Na przykład, jeśli znane są czynniki zainteresowania klientów, takie jak kolor, rozmiar, trwałość, przenośność lub cokolwiek innego, czym klienci wyrazili zainteresowanie, atrybuty te można wprowadzić do zbiorów danych i przeanalizować na podstawie ich własnego unikalnego wpływu na czynnik wieloczynnikowy analiza.