الغابات العشوائية: حكمة الحشود
شجرة القرار الواحدة سهلة الفهم ولكنها هشة، فهي تقع في مشكلة الإفراط في التخصيص بسهولة ويمكن أن تتغير تنبؤاتها كثيرا مع تغييرات بسيطة في البيانات. الغابة العشوائيةتحل هذه المشكلة بفكرة بسيطة وقوية: تدريب العديد من الأشجار المختلفة وتركها تصوت.
تنمو كل شجرة في الغابة على عينة عشوائية مختلفة قليلاً من البيانات وتأخذ مجموعة فرعية عشوائية من الميزات عند كل تقسيم. لذا كل شجرة مختلفة قليلاً وتحدث أخطاء مختلفة. عندما تقوم بحساب متوسط أصواتها تميل الأخطاء الفردية إلى الإلغاء وتختفي العيوب العشوائية. هذه هي حكمة الحشد حيث تتفوق مجموعة من المتوقعين المتنوعين وغير الكاملين غالباً على أي خبير واحد.
from sklearn.ensemble import RandomForestClassifier
forest = RandomForestClassifier(n_estimators=50, random_state=0)
forest.fit(X_train, y_train)n_estimators هو عدد الأشجار التي سيتم زراعتها (50 هنا). عادة ما تساعد الأشجار الأكثر قليلا حتى حد معين على حساب السرعة. كما هو الحال دائما، يحافظ random_state=0 على إمكانية إعادة إنتاج النتيجة لأن أخذ عينات الغابة عشوائي.
الفائدة الرئيسية: عادة ما تكون الغابة generalizes better من شجرة واحدة، مما يعني الحصول على درجة أعلى في مجموعة بيانات الاختبار المحجوزة. إنه أحد أكثر النماذج الجاهزة موثوقية، وهو خيار افتراضي ممتاز للاستخدام.
سوف تقوم بتدريب شجرة قرار واحدة وغابة عشوائية واحدة على نفس التقسيم، وتقييم كليهما على مجموعة الاختبار، وتأكيد أن الغابة تؤدي بشكل جيد على الأقل.
يتم إعداد مجموعة بيانات وتقسيم بيانات التدريب والاختبار. قم بتدريب tree = DecisionTreeClassifier(max_depth=3, random_state=0) و forest = RandomForestClassifier(n_estimators=50, random_state=0) على بيانات التدريب. قم بتقييم كليهما على مجموعة test باستخدام accuracy_score، مع تخزين النتائج في tree_acc و forest_acc.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.