Pohon Keputusan dan Hutan Acak
Pohon keputusan membuat prediksi dengan mengajukan serangkaian pertanyaan sederhana ya/tidak, seperti diagram alur.
Ikhtisar
A random forest combines hundreds of such trees and lets them vote, which is far more accurate and robust.
Menyelam Lebih Dalam
Pohon keputusan membagi data langkah demi langkah: di setiap node, ia memilih fitur dan ambang batas yang paling baik dalam memisahkan hasil, kemudian melakukan percabangan hingga mencapai prediksi pada satu daun. Pohon populer karena mudah dibaca; Anda dapat melacak dengan tepat mengapa suatu keputusan dibuat. Kelemahannya adalah overfitting, yaitu pohon yang dalam mengingat kebisingan dan memprediksi data baru dengan buruk. Hutan acak memperbaikinya dengan melatih banyak pohon pada subset data acak (teknik yang disebut bagging) dan subset fitur acak pada setiap pemisahan. Pohon-pohon membuat kesalahan yang berbeda-beda, jadi rata-rata suara mereka akan membatalkan kesalahan individu. Hasilnya adalah salah satu algoritme yang paling andal dan memiliki penyesuaian rendah untuk data tabular, yang banyak digunakan sebelum mencapai pembelajaran mendalam.
Wawasan Teknis
Setiap pemisahan dipilih untuk memaksimalkan 'kemurnian'. Pohon klasifikasi meminimalkan pengotor atau entropi Gini; pohon regresi meminimalkan varians (kesalahan kuadrat). Hutan acak menambahkan dua sumber keacakan: pengambilan sampel bootstrap (setiap pohon melihat sampel acak yang diambil dengan penggantian) dan pemilihan fitur acak di setiap pemisahan. Hal ini mendekorelasi pohon-pohon sehingga prediksi rata-ratanya memiliki varians yang jauh lebih rendah dibandingkan pohon mana pun, tanpa menimbulkan banyak bias. Sampel out-of-bag, yang tidak dimasukkan dalam bootstrap setiap pohon, memberikan perkiraan validasi bawaan.
Dampak Strategis
Clearer decisions
Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
Cost and budget
Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
Team and workflow
Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
Masa Depan Pohon Keputusan dan Hutan Acak
Hutan acak biasa tetap menjadi dasar, namun sorotan telah beralih ke pohon yang ditingkatkan gradien seperti XGBoost, LightGBM, dan CatBoost, yang membangun pohon secara berurutan untuk memperbaiki kesalahan sebelumnya dan seringkali menjadi yang teratas dalam kompetisi data tabular. Ansambel pohon ini terus mengungguli jaringan saraf pada banyak kumpulan data terstruktur. Harapkan pekerjaan berkelanjutan dalam hal kecepatan, pelatihan GPU, dan terutama alat penjelasan seperti SHAP, karena kemampuan interpretasi adalah alasan utama mengapa industri yang teregulasi terus memilih model berbasis pohon dibandingkan pembelajaran mendalam black-box.
Implementasi Dunia Nyata
Penilaian kredit dan persetujuan pinjaman, dimana bank menghargai jalur keputusan yang jelas dan dapat diaudit.
Prediksi risiko medis yang menandai faktor pasien mana yang mendorong diagnosis atau peringatan.
Prediksi churn pelanggan dari akun tabular dan data penggunaan.
Analisis kepentingan fitur untuk menentukan peringkat variabel mana yang paling penting dalam kumpulan data.
Risiko & Pagar Pembatas
Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.
Peta Jalan Implementasi
Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
Dokumentasikan di mana Pohon Keputusan dan Hutan Acak membantu dan di mana metode yang lebih sederhana lebih baik.
Terus Menjelajah
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
Next guide
Pengambilan Keputusan AI
Pertanyaan yang sering diajukan
What is Decision Trees and Random Forests?
Pohon keputusan membuat prediksi dengan mengajukan serangkaian pertanyaan sederhana ya/tidak, seperti diagram alur. Hutan acak menggabungkan ratusan pohon tersebut dan memungkinkan mereka memilih, yang jauh lebih akurat dan kuat.
Bagaimana pohon keputusan membuat prediksi?
Pohon keputusan mengarahkan masukan melalui percabangan pertanyaan tentang fitur-fiturnya hingga mencapai daun yang memberikan prediksi.
Apa kelemahan utama dari pohon keputusan tunggal yang mendalam?
Pohon yang dalam dapat menyesuaikan data pelatihan terlalu dekat, sehingga menangkap kebisingan dan menggeneralisasi contoh baru dengan buruk.
Bagaimana hutan acak dapat berkembang pada satu pohon?
Dengan melatih banyak pohon yang memiliki dekorasi dan melakukan rata-rata atau pemungutan suara, hutan menghilangkan kesalahan masing-masing pohon dan mengurangi overfitting.
Apa yang dimaksud dengan 'mengantongi' di hutan acak?
Bagging (agregasi bootstrap) memberi setiap pohon sampel acak yang diambil dengan penggantian, sehingga pohon-pohon tersebut berbeda dan rata-ratanya lebih stabil.
Metrik apa yang biasa digunakan pohon klasifikasi untuk memilih pemisahan?
Pohon klasifikasi memilih pemisahan yang paling mengurangi pengotor atau entropi Gini, yang mengukur seberapa tercampurnya kelas-kelas dalam satu simpul.