Sadržaj
P:
Kako tvrtke mogu koristiti slučajne modele šuma za predviđanja?
A:
Tvrtke često koriste nasumične modele šuma kako bi predvidjeli postupke strojnog učenja. Slučajna šuma koristi više stabala odlučivanja za cjelovitiju analizu datog skupa podataka.
Jedno stablo odluka djeluje na temelju odvajanja određene varijable ili varijabli prema binarnom procesu. Na primjer, prilikom procjene skupa podataka koji se odnose na skup automobila ili vozila, jedno stablo odluka može sortirati i klasificirati svako pojedinačno vozilo po težini, razdvajajući ih na teška ili laka vozila.
Nasumična šuma temelji se na modelu stabla odlučivanja i čini ga sofisticiranijim. Stručnjaci govore o slučajnim šumama koje predstavljaju "stohastičku diskriminaciju" ili metodu "stohastičkog nagađanja" na podacima primijenjenim na višedimenzionalne prostore. Stohastička diskriminacija ima tendenciju da se poboljša analiza podataka modela izvan onoga što može postići jedno stablo.
U osnovi, slučajna šuma stvara mnoštvo pojedinačnih stabala odlučivanja koja rade na važnim varijablama s primijenjenim određenim skupom podataka. Jedan ključni čimbenik je da se u nasumičnoj šumi skup podataka i varijabilna analiza svakog stabla odluka obično preklapaju. To je važno za model, jer slučajni šumski model uzima prosječne rezultate za svako stablo i odlučuje ih u ponderiranu odluku. U osnovi, analiza uzima sve glasove različitih stabala i donosi konsenzus da pruži produktivne i logične rezultate.
Jedan primjer produktivne upotrebe algoritma slučajnih šuma dostupan je na web-mjestu R-blogger, gdje spisateljica Teja Kodali uzima primjer za određivanje kvalitete vina pomoću faktora poput kiselosti, šećera, sumpornog dioksida, pH vrijednosti i udjela alkohola. Kodali objašnjava kako algoritam slučajne šume koristi mali slučajni podskup značajki za svako pojedinačno stablo, a zatim koristi rezultirajuće prosjeke.
Imajući to na umu, poduzeća koja žele koristiti algoritme slučajnog učenja šuma za prediktivno modeliranje prvo će izolirati prediktivne podatke koje je potrebno spustiti u skup produkcija, a zatim će ih primijeniti na slučajni šumski model koristeći određeni skup obuke podaci. Algoritmi strojnog učenja uzimaju te podatke o treningu i rade s njima kako bi se razvijali izvan ograničenja izvornog programiranja. U slučaju slučajnih šumskih modela, tehnologija uči oblikovati sofisticirane prediktivne rezultate koristeći ta pojedinačna stabla odluka za izgradnju svog slučajnog šumskog konsenzusa.
Jedan od načina na koji bi se to moglo primijeniti na poslovanje jest uzimanje različitih varijabli svojstava proizvoda i korištenje slučajne šume za ukazivanje na potencijalni interes kupaca. Na primjer, ako postoje poznati čimbenici interesa kupca kao što su boja, veličina, trajnost, prenosivost ili bilo što drugo za što su kupci pokazali interes, ti se atributi mogu unijeti u skupove podataka i analizirati na temelju vlastitog jedinstvenog utjecaja na multifaktorski analiza.