निर्णय वृक्ष और यादृच्छिक वन
एक निर्णय वृक्ष फ़्लोचार्ट की तरह सरल हाँ/नहीं प्रश्नों की एक श्रृंखला पूछकर भविष्यवाणियाँ करता है।
सिंहावलोकन
A random forest combines hundreds of such trees and lets them vote, which is far more accurate and robust.
गहरा गोता
एक निर्णय वृक्ष चरण दर चरण डेटा को विभाजित करता है: प्रत्येक नोड पर यह उस सुविधा और सीमा को चुनता है जो परिणामों को सबसे अच्छी तरह से अलग करती है, फिर तब तक शाखाएँ देती है जब तक कि यह एक पत्ते पर भविष्यवाणी तक नहीं पहुँच जाता। पेड़ लोकप्रिय हैं क्योंकि उन्हें पढ़ना आसान है; आप ठीक-ठीक पता लगा सकते हैं कि निर्णय क्यों लिया गया। उनकी कमजोरी ओवरफिटिंग है, जहां एक गहरा पेड़ शोर को याद रखता है और नए डेटा पर खराब भविष्यवाणी करता है। यादृच्छिक वन डेटा के यादृच्छिक उपसमूह (बैगिंग नामक एक तकनीक) और प्रत्येक विभाजन पर सुविधाओं के यादृच्छिक उपसमूह पर कई पेड़ों को प्रशिक्षित करके इसे ठीक करते हैं। पेड़ अलग-अलग गलतियाँ करते हैं, इसलिए उनके वोटों का औसत निकालने से व्यक्तिगत त्रुटियाँ रद्द हो जाती हैं। परिणाम सारणीबद्ध डेटा के लिए सबसे विश्वसनीय, कम-ट्यूनिंग एल्गोरिदम में से एक है, जिसका गहन शिक्षण तक पहुंचने से पहले व्यापक रूप से उपयोग किया जाता है।
तकनीकी अंतर्दृष्टि
प्रत्येक विभाजन को 'शुद्धता' को अधिकतम करने के लिए चुना जाता है। वर्गीकरण वृक्ष गिनी अशुद्धता या एन्ट्रापी को कम करते हैं; प्रतिगमन वृक्ष विचरण (वर्ग त्रुटि) को कम करते हैं। यादृच्छिक वन यादृच्छिकता के दो स्रोत जोड़ते हैं: बूटस्ट्रैप नमूनाकरण (प्रत्येक पेड़ प्रतिस्थापन के साथ खींचा गया एक यादृच्छिक नमूना देखता है) और प्रत्येक विभाजन पर यादृच्छिक सुविधा चयन। यह पेड़ों को सुशोभित करता है इसलिए उनकी औसत भविष्यवाणी में किसी भी एकल पेड़ की तुलना में बहुत कम भिन्नता होती है, पूर्वाग्रह को ज्यादा बढ़ाए बिना। प्रत्येक पेड़ के बूटस्ट्रैप से छोड़े गए आउट-ऑफ-बैग नमूने, एक अंतर्निहित सत्यापन अनुमान देते हैं।
सामरिक प्रभाव
स्पष्ट निर्णय
यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है।
लागत और बजट
आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं।
टीम और वर्कफ़्लो
साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं।
निर्णय वृक्षों और यादृच्छिक वनों का भविष्य
सादे यादृच्छिक जंगल एक आधार रेखा बने हुए हैं, लेकिन स्पॉटलाइट XGBoost, LightGBM और CatBoost जैसे ग्रेडिएंट-बूस्टेड पेड़ों पर स्थानांतरित हो गया है, जो पहले की त्रुटियों को ठीक करने और अक्सर शीर्ष तालिका-डेटा प्रतियोगिताओं को ठीक करने के लिए क्रमिक रूप से पेड़ों का निर्माण करते हैं। ये वृक्ष समूह कई संरचित डेटासेट पर तंत्रिका नेटवर्क से बेहतर प्रदर्शन करना जारी रखते हैं। गति, जीपीयू प्रशिक्षण और विशेष रूप से एसएचएपी जैसे व्याख्यात्मक उपकरणों पर चल रहे काम की अपेक्षा करें, क्योंकि व्याख्यात्मकता एक प्रमुख कारण है जिससे विनियमित उद्योग ब्लैक-बॉक्स डीप लर्निंग के बजाय ट्री-आधारित मॉडल चुनते रहते हैं।
वास्तविक विश्व कार्यान्वयन
क्रेडिट स्कोरिंग और ऋण अनुमोदन, जहां बैंक स्पष्ट, श्रवण योग्य निर्णय पथ को महत्व देते हैं।
चिकित्सा जोखिम की भविष्यवाणी जो बताती है कि कौन से रोगी कारक निदान या चेतावनी देते हैं।
सारणीबद्ध खाते और उपयोग डेटा से ग्राहक मंथन का पूर्वानुमान।
डेटासेट में कौन से वेरिएबल सबसे अधिक मायने रखते हैं, इसे रैंक करने के लिए फ़ीचर-महत्व विश्लेषण।
जोखिम और रेलिंग
अलग-अलग टीमें एक ही शब्द का अलग-अलग इस्तेमाल कर सकती हैं, इसलिए दायरे को पहले ही परिभाषित कर लें।
बेंचमार्क मजबूत दिख सकते हैं जबकि वास्तविक दुनिया का प्रदर्शन असमान है।
डेटा गुणवत्ता और मूल्यांकन योजनाओं की अनदेखी अक्सर नाजुक परिणाम पैदा करती है।
कार्यान्वयन रोडमैप
आपको जिस परिणाम की आवश्यकता है उसकी सरल भाषा में परिभाषा से शुरुआत करें।
परीक्षण से पहले एक सफलता मीट्रिक और एक विफलता स्थिति चुनें।
प्रतिनिधि डेटा के साथ एक छोटा पायलट चलाएँ, न कि एक परिष्कृत डेमो सेट।
दस्तावेज़ जहां निर्णय वृक्ष और यादृच्छिक वन मदद करते हैं और जहां सरल तरीके बेहतर हैं।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Decision Trees and Random Forests quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
एआई निर्णय लेना
अक्सर पूछे जाने वाले प्रश्नों
What is Decision Trees and Random Forests?
एक निर्णय वृक्ष फ़्लोचार्ट की तरह सरल हाँ/नहीं प्रश्नों की एक श्रृंखला पूछकर भविष्यवाणियाँ करता है। एक यादृच्छिक जंगल ऐसे सैकड़ों पेड़ों को जोड़ता है और उन्हें वोट देने देता है, जो कहीं अधिक सटीक और मजबूत है।
निर्णय वृक्ष भविष्यवाणी कैसे करता है?
एक निर्णय वृक्ष अपनी विशेषताओं के बारे में शाखाबद्ध प्रश्नों के माध्यम से एक इनपुट को तब तक रूट करता है जब तक कि यह उस पत्ते तक नहीं पहुंच जाता जो भविष्यवाणी देता है।
एकल, गहन निर्णय वृक्ष की मुख्य कमजोरी क्या है?
गहरे पेड़ प्रशिक्षण डेटा को बहुत करीब से फिट कर सकते हैं, शोर को पकड़ सकते हैं और नए उदाहरणों को खराब तरीके से सामान्यीकृत कर सकते हैं।
एक ही पेड़ पर बेतरतीब जंगल कैसे सुधर जाता है?
कई सजावटी पेड़ों को प्रशिक्षित करके और औसत या वोटिंग करके, एक जंगल व्यक्तिगत पेड़ों की त्रुटियों को रद्द कर देता है और ओवरफिटिंग को कम कर देता है।
यादृच्छिक वनों में 'बैगिंग' से क्या तात्पर्य है?
बैगिंग (बूटस्ट्रैप एग्रीगेटिंग) प्रत्येक पेड़ को प्रतिस्थापन के साथ तैयार किया गया एक यादृच्छिक नमूना देता है, इसलिए पेड़ अलग-अलग होते हैं और उनका औसत अधिक स्थिर होता है।
विभाजन चुनने के लिए वर्गीकरण वृक्ष आमतौर पर किस मीट्रिक का उपयोग करते हैं?
वर्गीकरण वृक्ष विभाजन चुनते हैं जो गिनी अशुद्धता या एन्ट्रापी को कम करते हैं, यह मापते हैं कि एक नोड पर कक्षाएं कितनी मिश्रित हैं।