Contenu
Q:
Comment les entreprises peuvent-elles utiliser des modèles de forêt aléatoires pour les prévisions?
UNE:
Les entreprises utilisent souvent des modèles de forêt aléatoires afin de faire des prédictions à l'aide de processus d'apprentissage automatique. La forêt aléatoire utilise plusieurs arbres de décision pour effectuer une analyse plus holistique d'un ensemble de données donné.
Un arbre de décision unique fonctionne sur la base de la séparation d'une ou plusieurs variables en fonction d'un processus binaire. Par exemple, lors de l’évaluation des ensembles de données liés à un ensemble de voitures ou de véhicules, un seul arbre de décision pourrait trier et classer chaque véhicule en fonction de leur poids, en les séparant en véhicules lourds ou légers.
La forêt aléatoire s'appuie sur le modèle d'arbre de décision et le rend plus sophistiqué. Les experts parlent des forêts aléatoires comme représentant la «discrimination stochastique» ou la méthode de «devinette stochastique» sur des données appliquées à des espaces multidimensionnels. La discrimination stochastique tend à être un moyen d'améliorer l'analyse des modèles de données au-delà de ce qu'un arbre décisionnel unique peut faire.
Fondamentalement, une forêt aléatoire crée de nombreux arbres de décision individuels travaillant sur des variables importantes auxquelles un certain ensemble de données est appliqué. L'un des facteurs clés est que dans une forêt aléatoire, l'ensemble de données et l'analyse des variables de chaque arbre de décision se chevauchent généralement. C’est important pour le modèle, car le modèle de forêt aléatoire prend les résultats moyens pour chaque arbre de décision et les intègre dans une décision pondérée. Pour l’essentiel, l’analyse prend l’ensemble des votes de différents arbres de décision et crée un consensus pour offrir des résultats productifs et logiques.
Un exemple d'utilisation productive d'un algorithme de forêt aléatoire est disponible sur le site R-blogger, où l'écrivain Teja Kodali prend l'exemple de la détermination de la qualité du vin à l'aide de facteurs tels que l'acidité, le sucre, les niveaux de dioxyde de soufre, le pH et la teneur en alcool. Kodali explique comment un algorithme de forêt aléatoire utilise un petit sous-ensemble aléatoire d'entités pour chaque arbre individuel, puis utilise les moyennes résultantes.
Dans cet esprit, les entreprises qui souhaitent utiliser des algorithmes d'apprentissage aléatoire de machines forestières pour la modélisation prédictive isoleront d'abord les données prédictives devant être résumées en un ensemble de productions, puis les appliqueront au modèle de forêt aléatoire en utilisant un certain ensemble de formations. Les données. Les algorithmes d'apprentissage automatique exploitent ces données d'apprentissage et les utilisent pour évoluer au-delà des contraintes de leur programmation d'origine. Dans le cas de modèles de forêt aléatoires, la technologie apprend à former des résultats prédictifs plus sophistiqués en utilisant ces arbres de décision individuels pour construire son consensus de forêt aléatoire.
Cela pourrait être appliqué aux entreprises en prenant diverses variables de propriété de produit et en utilisant une forêt aléatoire pour indiquer l’intérêt potentiel des clients. Par exemple, s’il existe des facteurs d’intérêt connus du client, tels que la couleur, la taille, la durabilité, la portabilité ou tout autre élément qui intéresse le client, ces attributs peuvent être intégrés aux ensembles de données et analysés en fonction de leur propre impact sur les facteurs multifactoriels. une analyse.