جنگل تصادفی یک اصطلاح مشهور برای مجموعه‌ای از درخت‌های تصمیم است. در روش جنگل تصادفی مجموعه‌ای از درخت‌های تصمیم (که جنگل نامیده می‌شود) داریم. برای کلاس‌بندی یک شی جدید بر اساس ویژگی‌هایش به هر درخت یک کلاس‌بندی داده می‌شود و از درخت خواسته می‌شود به آن کلاس «رأی» می‌دهد. جنگل آن کلاس‌بندی را انتخاب می‌کند که بالاترین رأی را دارد (نسبت به همه درخت‌های جنگل)

فهرست مطالب این نوشته

هر درخت بدین ترتیب کاشته می‌شود و رشد می‌کند:

1- اگر تعداد موارد مجموعه تمرینی را N فرض کنیم، در این صورت نمونه‌ای از N مورد به صورت تصادفی ولی با جایگزینی انتخاب می‌شوند. این نمونه مجموعه تمرینی برای رشد درخت است.

2- اگر M متغیر ورودی وجود داشته باشد عددی به‌صورت m<<M تعیین می‌شود به طوری که در هر گره m متغیر به صورت تصادفی از میان M متغیر انتخاب شوند و بهترین افراز روی این m متغیر برای افراز گره استفاده می‌شود. مقدار m در طی رشد جنگل ثابت نگه داشته می‌شود.

3- هر درخت تا بیشترین حد ممکن رشد داده می‌شود. هرس وجود ندارد.

کد پایتون

#Import Library

from sklearn.ensemble import RandomForestClassifier

#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset

# Create Random Forest object

model= RandomForestClassifier()

# Train the model using the training sets and check score

model.fit(X, y)

#Predict Output

predicted= model.predict(x_test)

کد R

library(randomForest)

x <- cbind(x_train,y_train)

# Fitting model

fit <- randomForest(Species ~., x,ntree=500)

summary(fit)

#Predict Output

predicted= predict(fit,x_test)

در بخش بعدی این سلسله مطالب شما را با الگوریتم کاهش ابعاد آشنا می‌کنیم.

بر اساس رای ۸ نفر
آیا این مطلب برای شما مفید بود؟
شما قبلا رای داده‌اید!
اگر بازخوردی درباره این مطلب دارید یا پرسشی دارید که بدون پاسخ مانده است، آن را از طریق بخش نظرات مطرح کنید.

«میثم لطفی» در رشته‌های ریاضیات کاربردی و مهندسی کامپیوتر به تحصیل پرداخته و شیفته فناوری است. وی در حال حاضر علاوه بر پیگیری علاقه‌مندی‌هایش در رشته‌های برنامه‌نویسی، کپی‌رایتینگ و محتوای چندرسانه‌ای، در زمینه نگارش مقالاتی با محوریت نرم‌افزار با مجله فرادرس همکاری دارد.

نظر شما چیست؟

نشانی ایمیل شما منتشر نخواهد شد.

مشاهده بیشتر