أشجار القرار والغابات العشوائية

A random forest combines hundreds of such trees and lets them vote, which is far more accurate and robust.

تقوم شجرة القرار بتقسيم البيانات خطوة بخطوة: في كل عقدة تختار الميزة والعتبة التي تفصل النتائج بشكل أفضل، ثم تتفرع حتى تصل إلى التنبؤ عند الورقة. تحظى الأشجار بشعبية كبيرة لأنها سهلة القراءة؛ يمكنك تتبع سبب اتخاذ القرار بالضبط. ضعفهم هو الإفراط في التجهيز، حيث تحفظ الشجرة العميقة الضوضاء وتتنبأ بشكل سيء بالبيانات الجديدة. تعمل الغابات العشوائية على إصلاح ذلك عن طريق تدريب العديد من الأشجار على مجموعات فرعية عشوائية من البيانات (تقنية تسمى التعبئة) ومجموعات فرعية عشوائية من الميزات عند كل قسم. ترتكب الأشجار أخطاء مختلفة، لذا فإن حساب متوسط ​​أصواتها يلغي الأخطاء الفردية. والنتيجة هي واحدة من الخوارزميات الأكثر موثوقية ومنخفضة الضبط للبيانات الجدولية، والتي يتم استخدامها على نطاق واسع قبل الوصول إلى التعلم العميق.