جنگل تصادفی یا جنگل های تصمیم تصادفی ( به انگلیسی: Random forest ) یک روش یادگیری ترکیبی برای دسته بندی، رگرسیون می باشد، که بر اساس ساختاری متشکل از شمار بسیاری درخت تصمیم، بر روی زمان آموزش و خروجی کلاس ها ( کلاس بندی ) یا برای پیش بینی های هر درخت به شکل مجزا، کار می کنند. جنگل های تصادفی برای درختان تصمیم که در مجموعهٔ آموزشی دچار بیش برازش می شوند، مناسب هستند. عملکرد جنگل تصادفی معمولاً بهتر از درخت تصمیم است، اما این بهبود عملکرد تا حدی به نوع داده هم بستگی دارد. [ ۱] [ ۲] [ ۳]
نخستین الگوریتم برای جنگل های تصمیم تصادفی را «تین کم هو» با بهره گیری از روش زیرفضاهای تصادفی پدیدآورد. [ ۴] [ ۵] نسخه های بعدی آن توسط لیو بریمن ارتقا یافت. [ ۶]
پژوهش های «بریمن» روی کار «امیت و گمن» اثر گذاشت، کسانی که پژوهش براساس دسته تصادفی که نود را تقسیم می کند ( در مبحث بزرگ شدن تک درخت ) ارائه کردند در این روش، پیش از این که هر درخت یا هر گره را جاسازی کنند، جنگلی از درختان بزرگ می شود و گزینش از بین گونه ای از درختان که برای گزینش تصادفی زیرفضاهایی از داده آموزش دیده اند، صورت می گیرد. در پایان ایده بهبود بخشیدن به گره های تصادفی ( که انتخاب هر گره به شکل تصادفی بوده ) به جای بهبودی قطعی توسط «دیتریش» بیان شد دستاوردهای دربارهٔ جنگل تصادفی نخستین بار به دست «لئو بریمن» مقاله شد.
این مقاله روش هایی از چگونگی ساخت جنگل بدون کنترل درخت ها با بهره گیری از CART را بیان می کند که با متد بگینگ و بهبودی نود تصادفی ترکیب شده است. به علاوه، این مقاله بسیاری از نتایج اولیه به دست آمده که شناخته شده بودند و چه آن هایی که به چاپ رسیده بودند را ترکیب می کرد که این ترکیبات پایه و اساس تمرینات امروزی جنگل های تصادفی را شامل می شود این الگوریتم توسط «لئو بریمن و عادل کالچر» توسعه یافت که جنگل تصادفی نیز جزو دستاوردهای ایشان بود ایده بگینگ برای ساخت مجموعه ای از درخت های تصمیم و انتخاب تصادفی نخست توسط «هو» و سپس «امیت و گمان» کامل شد. این تمرینات امروزی عبارتند از:
• بهره گرفتن از نقص خارج از کیسه برای تعمیم نقص های سازماندهی
• اهمیت اندازه گیری گونه ها و تنوع از طریق جایگشت
همچنین این گزارش نخستین فرجام تئوری برای جنگل هایی که از راه نقص سازماندهی تعمیم یافته بودند را بیان می کند که بستگی به قدرت درخت ها و ارتباط آن ها دارد.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفنخستین الگوریتم برای جنگل های تصمیم تصادفی را «تین کم هو» با بهره گیری از روش زیرفضاهای تصادفی پدیدآورد. [ ۴] [ ۵] نسخه های بعدی آن توسط لیو بریمن ارتقا یافت. [ ۶]
پژوهش های «بریمن» روی کار «امیت و گمن» اثر گذاشت، کسانی که پژوهش براساس دسته تصادفی که نود را تقسیم می کند ( در مبحث بزرگ شدن تک درخت ) ارائه کردند در این روش، پیش از این که هر درخت یا هر گره را جاسازی کنند، جنگلی از درختان بزرگ می شود و گزینش از بین گونه ای از درختان که برای گزینش تصادفی زیرفضاهایی از داده آموزش دیده اند، صورت می گیرد. در پایان ایده بهبود بخشیدن به گره های تصادفی ( که انتخاب هر گره به شکل تصادفی بوده ) به جای بهبودی قطعی توسط «دیتریش» بیان شد دستاوردهای دربارهٔ جنگل تصادفی نخستین بار به دست «لئو بریمن» مقاله شد.
این مقاله روش هایی از چگونگی ساخت جنگل بدون کنترل درخت ها با بهره گیری از CART را بیان می کند که با متد بگینگ و بهبودی نود تصادفی ترکیب شده است. به علاوه، این مقاله بسیاری از نتایج اولیه به دست آمده که شناخته شده بودند و چه آن هایی که به چاپ رسیده بودند را ترکیب می کرد که این ترکیبات پایه و اساس تمرینات امروزی جنگل های تصادفی را شامل می شود این الگوریتم توسط «لئو بریمن و عادل کالچر» توسعه یافت که جنگل تصادفی نیز جزو دستاوردهای ایشان بود ایده بگینگ برای ساخت مجموعه ای از درخت های تصمیم و انتخاب تصادفی نخست توسط «هو» و سپس «امیت و گمان» کامل شد. این تمرینات امروزی عبارتند از:
• بهره گرفتن از نقص خارج از کیسه برای تعمیم نقص های سازماندهی
• اهمیت اندازه گیری گونه ها و تنوع از طریق جایگشت
همچنین این گزارش نخستین فرجام تئوری برای جنگل هایی که از راه نقص سازماندهی تعمیم یافته بودند را بیان می کند که بستگی به قدرت درخت ها و ارتباط آن ها دارد.
wiki: جنگل تصادفی