Преглед
Дървото на решенията прави прогнози, като задава поредица от прости въпроси с да/не, като блок-схема. Произволна гора комбинира стотици такива дървета и им позволява да гласуват, което е много по-точно и стабилно.
Дърветата на решенията и произволните гори се намират в основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение.
Дълбоко гмуркане
Дървото на решенията разделя данните стъпка по стъпка: във всеки възел избира функцията и прага, които най-добре разделят резултатите, след което се разклонява, докато достигне до прогноза на лист. Дърветата са популярни, защото са лесни за четене; можете да проследите точно защо е взето дадено решение. Тяхната слабост е пренастройването, където дълбоко дърво запаметява шума и прогнозира лошо нови данни. Случайните гори поправят това чрез обучение на много дървета върху произволни подмножества от данни (техника, наречена bagging) и произволни подмножества от функции при всяко разделяне. Дърветата допускат различни грешки, така че осредняването на техните гласове отменя индивидуалните грешки. Резултатът е един от най-надеждните алгоритми с ниска настройка за таблични данни, широко използвани преди достигането до задълбочено обучение.
Техническа информация
Всяко разделение е избрано така, че да увеличи максимално „чистотата“. Класификационните дървета минимизират примесите или ентропията на Джини; регресионните дървета минимизират дисперсията (грешка на квадрат). Случайните гори добавят два източника на произволност: начална извадка (всяко дърво вижда произволна извадка, изтеглена със замяна) и случаен избор на характеристики при всяко разделяне. Това декорира дърветата, така че тяхната осреднена прогноза има много по-ниска дисперсия от всяко отделно дърво, без да повишава много отклонението. Пробите извън торбичката, оставени извън първоначалното зареждане на всяко дърво, дават вградена оценка за валидиране.
Овладяване на дървета на решения и произволни гори
Дървото на решенията прави прогнози, като задава поредица от прости въпроси с да/не, като блок-схема. Произволна гора комбинира стотици такива дървета и им позволява да гласуват, което е много по-точно и стабилно. Дърветата на решенията и произволните гори се намират в основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение. За да изградите дълбоко разбиране, третирайте дърветата на решенията и произволните гори като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи дървета на решенията и произволни гори, първо изграждат силни концептуални модели, след което картографират тези модели към реални производствени ограничения. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Помага ви да отделите ясните технически твърдения от маркетинговия език. В същото време различни екипи могат да използват един и същ термин по различен начин, така че дефинирайте обхвата рано. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Помага ви да отделите ясните технически твърдения от маркетинговия език.
Помага ви да отделите ясните технически твърдения от маркетинговия език. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Кредитен скоринг и одобрение на заем, където банките ценят ясния, подлежащ на одит път на вземане на решения.
Прогноза за медицински риск, която маркира кои фактори на пациента са довели до диагноза или предупреждение.
Прогноза за оттеглянето на клиенти от таблични данни за сметка и използване.
Анализ на важността на характеристиките за класиране на променливите с най-голямо значение в набор от данни.
Модели на изпълнение
Дървета на решенията и произволни гори на практика
Кредитен скоринг и одобрение на заем, където банките ценят ясния, подлежащ на одит път на вземане на решения.
Кредитен скоринг и одобрение на заеми, където банките ценят ясния, подлежащ на одит път на вземане на решения Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Дървета на решенията и произволни гори на практика
Прогноза за медицински риск, която маркира кои фактори на пациента са довели до диагноза или предупреждение.
Прогноза за медицински риск, която маркира кои фактори на пациента са довели до диагностициране или предупреждение. Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Дървета на решенията и произволни гори на практика
Прогноза за оттеглянето на клиенти от таблични данни за сметка и използване.
Прогноза за оттеглянето на клиентите от таблични акаунти и данни за използването. Екипите обикновено получават по-добри резултати, когато определят предварително прагове за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Дървета на решенията и произволни гори на практика
Анализ на важността на характеристиките за класиране на променливите с най-голямо значение в набор от данни.
Анализ на важността на характеристиките за класиране кои променливи са най-важни в набор от данни Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Пътна карта за изпълнение
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изберете един показател за успех и едно условие за неуспех преди тестване.
Изберете един показател за успех и едно условие за неуспех преди тестване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Документирайте къде дърветата на решенията и произволните гори помагат и къде по-простите методи са по-добри.
Документирайте къде дърветата на решенията и произволните гори помагат и къде по-простите методи са по-добри. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.