Random Forest — это еще один ансамблевый алгоритм машинного обучения, использующий технику мешков. Это расширение алгоритма оценки мешков. Базовыми оценщиками в случайном лесу являются деревья решений. В отличие от мета-оценки с пакетированием, случайный лес случайным образом выбирает набор функций, которые используются для определения наилучшего разделения в каждом узле дерева решений.
Пошаговое рассмотрение показывает, что делает модель случайного леса:
1. Случайные подмножества создаются из исходного набора данных (самозагрузка).
2. В каждом узле дерева решений только случайный набор признаков рассматривается для определения наилучшего разделения.
3. Модель дерева решений подбирается для каждого из подмножеств.
4. Окончательный прогноз рассчитывается путем усреднения прогнозов по всем решениям. деревья.
Например: рассмотрим корзину с фруктами как данные, как показано на рисунке ниже. Теперь из корзины с фруктами берется n образцов и для каждого образца строится отдельное дерево решений. Каждое дерево решений будет генерировать выходные данные, как показано на рисунке. Окончательный результат считается на основе большинства голосов. На приведенном ниже рисунке видно, что дерево решений большинства дает результат в виде яблока по сравнению с бананом, поэтому окончательный результат принимается за яблоко.
Конец
