Q:
Kaip įmonės prognozėms gali naudoti atsitiktinius miško modelius?
A:Bendrovės dažnai naudoja atsitiktinius miško modelius, kad galėtų numatyti mašinų mokymosi procesus. Atsitiktinis miškas naudoja kelis sprendimų medžius, kad padarytų holistinę tam tikro duomenų rinkinio analizę.
Atskirų sprendimų medis veikia remiantis tam tikru kintamųjų arba kintamųjų atskyrimu pagal dvejetainį procesą. Pavyzdžiui, vertinant duomenų rinkinius, susijusius su automobilių ar transporto priemonių rinkiniu, vienas sprendimų medis galėtų rūšiuoti ir klasifikuoti kiekvieną atskirą transporto priemonę pagal svorį, suskirstant jas į sunkiasvores ar lengvas transporto priemones.
Atsitiktinis miškas remiasi sprendimų medžio modeliu ir daro jį sudėtingesnį. Ekspertai kalba apie atsitiktinius miškus, kurie atspindi „stochastinę diskriminaciją“ arba „stochastinio atspėjimo“ metodą duomenims, taikomiems daugialypėse erdvėse. Stochastinė diskriminacija paprastai yra būdas pagerinti duomenų modelių analizę, viršijančią tai, ką gali padaryti vienas sprendimų medis.
Iš esmės atsitiktinis miškas sukuria daug atskirų sprendimų medžių, veikiančių svarbius kintamuosius, naudojant tam tikrą duomenų rinkinį. Vienas pagrindinių veiksnių yra tai, kad atsitiktiniame miške duomenų rinkinys ir kiekvieno sprendimo medžio kintamoji analizė paprastai sutampa. Tai svarbu modeliui, nes atsitiktinis miško modelis atsižvelgia į kiekvieno sprendimo medžio vidutinius rezultatus ir įtraukia juos į svertinį sprendimą. Iš esmės, atliekant analizę atsižvelgiama į visų sprendimų medžių balsus ir siekiama bendro sutarimo siekiant produktyvių ir logiškų rezultatų.
Vieną atsitiktinio miško algoritmo produktyvaus naudojimo pavyzdį galima rasti „R-blogger“ svetainėje, kur rašytoja Teja Kodali imasi vyno kokybės nustatymo pavyzdžių, tokių kaip rūgštingumas, cukrus, sieros dioksido lygis, pH vertė ir alkoholio kiekis. Kodali paaiškina, kaip atsitiktinio miško algoritmas naudoja nedidelį atsitiktinio požymio poaibį kiekvienam medžiui, o paskui panaudoja gautus vidurkius.
Atsižvelgdamos į tai, įmonės, norėdamos prognoziniam modeliavimui naudoti atsitiktinius miško mašinų mokymosi algoritmus, pirmiausia išskiria numatomuosius duomenis, kuriuos reikia sudėti į produkcijos rinkinį, o tada pritaikys juos atsitiktiniam miško modeliui, naudodamas tam tikrą mokymą. duomenys. Mašinų mokymosi algoritmai priima tuos mokymo duomenis ir dirba su jais, kad vystytųsi už jų pradinio programavimo apribojimų ribų. Atsitiktinių miško modelių atveju technologija išmoksta formuoti sudėtingesnius numatomuosius rezultatus, naudodama tuos individualius sprendimų medžius, kad sudarytų savo atsitiktinį miško sutarimą.
Vienas iš būdų, kuriuos tai būtų galima pritaikyti versle, yra įvairių produktų savybių kintamųjų paėmimas ir atsitiktinio miško naudojimas potencialių klientų susidomėjimui parodyti. Pvz., Jei yra žinomi klientų susidomėjimo veiksniai, tokie kaip spalva, dydis, patvarumas, perkeliamumas ar dar kas nors, kuo klientai susidomėjo, tuos požymius galima įtraukti į duomenų rinkinius ir analizuoti atsižvelgiant į jų unikalų poveikį daugiafaktoriui. analizė.
