隨機森林

隨機森林

由於隨機森林模型是由不同的決策樹,這將是有用的開始通過理解決策樹計算簡單。

決策樹是一種決策支持過程,幀樹狀設計。決策樹的大綱將協助我們看到隨機森林的計算工作。

決策樹包含三個部分:決定節點和葉節點和根中心。決策樹計算分區火車組數據為分支機構,進一步分離成不同的分支。這種安排款項,直到一個葉節點。葉子節點不能被進一步孤立。

這些決策樹中的節點地址將用於預見結果。這些決定給我們一個連接到葉子節點。

決策樹的根本區別計算和隨機森林是最後的選擇是建立根節點和隔離這些根隨機。隨機森林利用裝袋技術創建必要的預測。

包裝包括利用各種數據提供的例子,像訓練數據,而不是隻有一個例子。數據集用於培訓包括認知和利用的元素進行預測。決策樹產生不同的結果,取決於訓練提供了隨機森林的數據計算。這些結果將被定位,高價值或排名將被選擇作為最後的結果。

分類,當涉及到隨機森林,使用一個方法實現的結果。培訓是照顧的數據準備不同的決策樹。這個數據集包括認知和強調,期間將隨機選擇根節點的分離。

一般來說,一個隨機森林框架取決於不同的決策樹。每個決策樹決策中心或節點由葉節點,根節點。樹的葉子節點是最後結果由特定的決策樹。最後的選擇遵循多數選票的結果。在這種情況下,選擇的結果大部分的決策樹變成熱帶雨林框架的最後結果。

回歸是另一種工作由一個隨機森林方法或算法。隨機森林回歸之前的想法簡單的回歸。所有的值傳遞給隨機森林方法,其中包括獨立和依賴的變量或特性。

在一個隨機森林回歸模型中,每棵樹創建一個特定的預測。每個個體的平均預測樹是隨機森林回歸的結果。這是對隨機森林分類方法,其結果是決策樹的類控製的方法。這個隨機森林回歸可以用於不同的項目如SAS, R & python。

盡管隨機森林回歸和線性回歸遵循類似的想法,他們對比考慮功能。函數的線性回歸是y =“bx + c”, y是變量(依賴),x是變量(獨立),b是用於估計的參數,和c是常數。複雜的隨機森林回歸函數就像一個黑盒子。

隨機森林方法提出了各種主要優點和困難當用於分類和回歸問題。其中一些如下:

關鍵優勢

• 它可以減少過度擬合的風險:決策樹的風險過度擬合,因為他們會經常傾向於適合每一個例子裏麵的數據用於訓練。盡管如此,當有很多決策樹在一個隨機森林模型中,分類器將不會overfit模型自不相關的樹木帶來的平均差異和預測誤差。

• 給適應性:由於隨機森林可以處理回歸和分類任務與嚴重程度的準確性,它是一個著名的策略,數據科學家。特性裝袋方法同樣使隨機森林分類器一個可行的設備評估缺失值。它保持了精密當一塊數據缺失或失蹤。

• 簡單的決定功能的重要性:隨機森林使它簡單評估變量意義或承諾。有兩種方法評估功能的重要性。基尼意義和意思是減少在MDI通常用於量化模型的精度會降低多少,當給定的變量是起飛。盡管,排列的重要性,否則稱為意味著減少MDA的精確,是另一個重要措施。MDA區分平均精度的降低或準確性通過隨機排列的組件值可用OOB樣品。

• 主要挑戰:這個過程消耗更多的時間:自隨機森林的計算可以處理巨大的信息或數據。他們可以提供更精確的預期;然而,他們可以延遲在處理信息處理給定的信息對於每一個單獨的決策樹。

• 需要更多的資產或資源:自隨機森林處理更大的數據集合,他們會需要更多的資產或資源存儲這些信息或數據。

• 這個過程比較複雜:一個決策樹的預測是簡單和容易理解當與森林。

應用隨機森林的一部分可能包括:

銀行部分:

隨機森林是利用銀行預測候選人把貸款的可靠性。這艾滋病出借組織穩定在一個體麵的選擇是否給客戶貸款。另外銀行利用隨機森林計算識別騙子。

醫療保健:

健康專家利用隨機森林框架分析病人。病人進行了分析通過評估他們的過去的病史。過去的臨床記錄評估患者建立正確的劑量。

金融交易所:

貨幣專家們用它來識別業務領域具有良好的潛力股。它同樣使他們認識到股票的行為。

互聯網企業或電子商務:

通過隨機森林的計算,互聯網業務賣家可以預見客戶依賴過去的利用行為的傾向。隨機森林的計算是一個ML算法或方法並不難使用,適應性強。它利用集成學習,使協會照顧回歸和分類問題。

這是設計師的理想方法或算法,因為它負責過度擬合的數據集的問題。這是一個特別聰明的工具,用於解決在準確預測所需的基本決策組。

我們想要的類型所需的最小功率預測的功能。如果我們把垃圾放在那,我們將把垃圾出來。

隨機森林的樹木和更重要的預測價值應該是不相關的或較低的連接。而實際的計算通過特性隨機性試圖設計這些相關性較低,我們選擇的元素和hyper-boundaries我們選擇也會影響最終依賴或相關性。