Sisu
K:
Kuidas võiksid ettevõtted ennustamiseks kasutada juhuslikke metsamudeleid?
A:
Ettevõtted kasutavad masinõppeprotsesside abil ennustamiseks sageli juhuslikke metsamudeleid. Juhuslik mets kasutab antud andmestiku terviklikuma analüüsi tegemiseks mitut otsustuspuud.
Üks otsustuspuu põhineb teatud muutuja või muutujate eraldamisel binaarse protsessi järgi. Näiteks autode või sõidukite komplektiga seotud andmekogumite hindamisel võiks üks otsustuspuu sortida ja klassifitseerida iga üksiku sõiduki kaalu järgi, jagades need rasketeks või kergeteks sõidukiteks.
Juhuslik mets põhineb otsustuspuu mudelil ja muudab selle keerukamaks. Eksperdid räägivad juhuslikest metsadest kui mitmemõõtmelistele ruumidele rakendatud andmete „stohhastilist diskrimineerimist” või „stohhastiliste arvamiste” meetodit. Stohhastiline diskrimineerimine kipub olema viis andmemudelite analüüsi tõhustamiseks kaugemale sellest, mida üks otsustuspuu teha saab.
Põhimõtteliselt loob juhuslik mets palju individuaalseid otsustuspuid, mis töötavad oluliste muutujate suhtes ja rakendatakse teatud andmekogumit. Üks võtmetegur on see, et juhuslikus metsas kattuvad iga otsustuspuu andmekogum ja muutujate analüüs tavaliselt. See on mudeli jaoks oluline, kuna juhuslik metsamudel võtab iga otsusepuu kohta keskmised tulemused ja arvestab need kaalutud otsusega. Sisuliselt võtab analüüs kõigi otsustuspuude kõik hääled ja loob konsensuse produktiivsete ja loogiliste tulemuste pakkumiseks.
Üks näide juhusliku metsaalgoritmi tulemuslikust kasutamisest on saadaval R-ajaveebi saidil, kus kirjanik Teja Kodali võtab näite veini kvaliteedi määramiseks selliste tegurite kaudu nagu happesus, suhkur, vääveldioksiidi tase, pH väärtus ja alkoholisisaldus. Kodali selgitab, kuidas juhuslik metsaalgoritm kasutab iga puu jaoks väikest juhuslikku omaduste alamhulka ja kasutab seejärel saadud keskmisi.
Seda silmas pidades eraldavad ettevõtted, kes soovivad ennustava modelleerimise jaoks kasutada juhuslikke metsamasinate õppimise algoritme, kõigepealt prognoositavad andmed, mis tuleb kokku koguda tootmiste komplektiks, ja rakendavad seda siis teatud väljaõppe komplekti kasutades juhusliku metsamudeli jaoks andmed. Masinõppe algoritmid võtavad koolituse andmed ja töötavad koos nendega, et areneda kaugemale nende algse programmeerimise piirangutest. Juhuslike metsamudelite puhul õpib tehnoloogia moodustama keerukamaid ennustatavaid tulemusi, kasutades neid üksikuid otsustuspuid oma juhusliku metsade konsensuse saavutamiseks.
Üks viis, kuidas seda ettevõtluses rakendada, on võtta mitmesuguseid tooteomaduste muutujaid ja kasutada potentsiaalse kliendi huvi ilmutamiseks juhuslikku metsa. Näiteks kui on teada sellised klientide huvitegurid nagu värv, suurus, vastupidavus, teisaldatavus või midagi muud, mille vastu kliendid on huvi üles näidanud, saab need atribuudid sisestada andmekogumitesse ja analüüsida nende ainulaadse mõju põhjal multifaktorile analüüs.