ป่าสุ่มสำหรับการถดถอย

ต้นไม้เพียงต้นเดียวไม่มั่นคงและมักฟิตเกิน ป่าสุ่มจะสร้างต้นไม้หลายร้อยต้นแล้วผสานผลเป็นการทำนายเดียวที่มั่นคงกว่า 🌲🌲

ต้นไม้แต่ละต้นเดาของตนเอง จากนั้นป่าจะหาค่าเฉลี่ยของผลลัพธ์ ความผิดพลาดเฉพาะต้นจะหักล้างกัน เหลือเป็นค่าที่ราบรื่นและน่าเชื่อถือกว่า

ต้นไม้แต่ละต้นฝึกด้วยตัวอย่างแถวข้อมูลแบบสุ่มที่สุ่มโดยให้เลือกซ้ำได้ เทคนิคนี้เรียกว่าการสุ่มตัวอย่างแบบบูตสแตรป ทำให้ต้นไม้แต่ละต้นมองข้อมูลแตกต่างกันเล็กน้อย

ในการแบ่งแต่ละครั้ง ต้นไม้จะเห็นเพียงชุดย่อยของคุณลักษณะแบบสุ่มด้วย ความสุ่มนี้ช่วยไม่ให้ต้นไม้ทุกต้นมีลักษณะเหมือนกัน

ความหลากหลายคือหัวใจสำคัญ เมื่อแต่ละต้นไม้ผิดพลาดคนละแบบ การหาค่าเฉลี่ยจะลดการแกว่งรุนแรงของต้นไม้ต้นเดียว ซึ่งช่วยลดความแปรปรวน

ใช้หลักการเดิมเช่นเคย สร้าง RandomForestRegressor เรียกใช้ fit แล้ว predict โดยไม่ต้องมีขั้นตอนเพิ่มเติม

การตั้งค่า n_estimators กำหนดจำนวนต้นไม้ที่จะสร้าง โดยทั่วไปต้นไม้ที่มากขึ้นช่วยให้ผลดีขึ้น ก่อนจะเริ่มคงที่ แต่ต้องแลกกับเวลาฝึกที่นานขึ้น

คุณสามารถจำกัดต้นไม้แต่ละต้นด้วย max_depth ได้เช่นกัน เมื่อใช้ร่วมกับต้นไม้จำนวนมาก ป่าจะยังแม่นยำโดยไม่จดจำสัญญาณรบกวน

ข้อดีที่มีประโยชน์คือ ป่าจะแสดงค่า feature_importances_ เพื่อจัดอันดับว่าอินพุตใดมีอิทธิพลต่อการทำนายมากที่สุด เหมาะสำหรับทำความเข้าใจข้อมูลของคุณ

ป่าสุ่มเป็นค่าเริ่มต้นที่ยอดเยี่ยม: แม่นยำ ฟิตเกินได้ยาก และต้องปรับแต่งเพียงเล็กน้อย มักเป็นโมเดลที่แข็งแกร่งตัวแรกสำหรับข้อมูลแบบตาราง

สิ่งที่ต้องแลกคือความชัดเจน เมื่อต้นไม้มีหลายร้อยต้น คุณจะเสียเส้นทางที่เรียบง่ายและอ่านง่ายของต้นไม้เดียวไป ทำให้ป่าสุ่มอธิบายได้ยากกว่า

ป่าสุ่มหาค่าเฉลี่ยจากต้นไม้ที่หลากหลายหลายต้น ช่วยลดความแปรปรวนและต้านทานการฟิตเกิน เป็นค่าเริ่มต้นที่แข็งแกร่งและต้องปรับแต่งน้อยสำหรับตัวเลขแบบตาราง 🎯