Sisältö
K:
Kuinka yritykset voisivat käyttää satunnaisia metsämalleja ennusteisiin?
V:
Yritykset käyttävät usein satunnaisia metsämalleja ennusteiden tekemiseen koneoppimisprosessien avulla. Satunnainen metsä käyttää useita päätöspuita tehdäkseen kokonaisvaltaisemman analyysin tietystä tietojoukosta.
Yksi päätöspuu toimii erottamalla tietty muuttuja tai muuttujat binaariprosessin mukaisesti. Esimerkiksi arvioidessaan auto- tai ajoneuvojoukkoon liittyviä tietojoukkoja, yksi päätöspuu voisi lajitella ja luokitella jokaisen yksittäisen ajoneuvon painon mukaan, erottaen ne raskaiiksi tai kevyiksi ajoneuvoiksi.
Satunnainen metsä perustuu päätöksentekopuu malliin ja tekee siitä hienostuneemman. Asiantuntijat puhuvat satunnaisista metsistä edustaen ”stokastista syrjintää” tai “stokastista arvausta” -menetelmää moniulotteisiin tiloihin sovellettavissa tiedoissa. Stokastinen syrjintä on yleensä tapa parantaa tietomallien analysointia pidemmälle kuin yksi päätöspuu voi tehdä.
Periaatteessa satunnainen metsä luo monia yksittäisiä päätöksentekopuita, jotka työskentelevät tärkeiden muuttujien kanssa tietyllä tietojoukolla. Yksi avaintekijä on, että satunnaisessa metsässä tietojoukko ja muuttujien analyysi jokaisesta päätöspuusta ovat tyypillisesti päällekkäisiä. Se on mallin kannalta tärkeätä, koska satunnainen metsämalli ottaa kunkin päätöksenteon puun keskimääräiset tulokset ja laskee ne painotettuun päätökseen. Pohjimmiltaan analyysissä otetaan huomioon kaikkien päätöksentekopuiden äänet ja rakennetaan konsensus tuotettavien ja loogisten tulosten tarjoamiseksi.
Yksi esimerkki satunnaisen metsäalgoritmin tuottavasta käytöstä on saatavana R-blogger-sivustolla, jossa kirjoittaja Teja Kodali on esimerkki viinin laadun määrittämisestä muun muassa happamuuden, sokerin, rikkidioksidin, pH-arvon ja alkoholipitoisuuden perusteella. Kodali selittää, kuinka satunnainen metsäalgoritmi käyttää pientä satunnaista osajoukkoa jokaiselle puulle ja hyödyntää sitten saatuja keskiarvoja.
Tätä ajatellen yritykset, jotka haluavat käyttää satunnaisia metsäkoneiden oppimisalgoritmeja ennustavaan mallintamiseen, eristävät ensin ennustavan tiedon, joka on keitettävä tuotantosarjaksi, ja soveltavat sen jälkeen satunnaiseen metsämalliin tietyn koulutuksen avulla tiedot. Koneoppimisalgoritmit vievät koulutustiedot ja työskentelevät sen kanssa kehittääkseen alkuperäisen ohjelmoinnin rajoituksia. Satunnaisten metsämallien tapauksessa tekniikka oppii muodostamaan kehittyneempiä ennustavia tuloksia käyttämällä näitä yksittäisiä päätöksenpuita rakentaakseen satunnaisen metsäkonsensuksensa.
Yksi tapa, jolla tätä voidaan soveltaa liiketoimintaan, on ottaa erilaisia tuoteominaisuusmuuttujia ja käyttää satunnaista metsää osoittamaan potentiaalisten asiakkaiden kiinnostusta. Esimerkiksi, jos on olemassa tunnettuja asiakkaiden kiinnostuksen tekijöitä, kuten väri, koko, kestävyys, siirrettävyys tai muu asia, josta asiakkaat ovat ilmaisseet kiinnostustaan, nämä ominaisuudet voidaan syöttää tietojoukkoihin ja analysoida heidän omien ainutlaatuisten vaikutustensa perusteella monitekijälle. analyysi.