Vad är Random Forest
Random Forest är en algoritm som används i stor utsträckning för klassificerings- och regressionsproblem. Den bygger många olika beslutsträd och tar deras majoritetsröst för klassificering och medelvärde vid regression.
Istället för att använda ett enskilt bästa träd bygger Random Forest många "svagare" träd. Det kan låta kontraintuitivt – varför skulle vi använda modeller som är sämre?
Tänk på det så här: ett enskilt beslutsträd är som en generalist – det försöker ta hänsyn till varje egenskap och ge en komplett bild. Dock kan det bli för självsäkert och göra misstag genom att överanpassa sig till brus i datan.
En Random Forest är däremot som ett team av specialister. Varje träd tränas på olika delar av datan och fokuserar på olika aspekter av problemet. Ensamt kanske varje träd inte är särskilt starkt – det kan till och med missa helheten. Men tillsammans, när du kombinerar deras "röster", täcker de varandras svagheter och ger en mer balanserad och exakt prediktion.
Du kan också jämföra det med att fråga 100 kompetenta studenter istället för att förlita dig på en enda professor. Även om professorn kan vara mer kunnig, kan även experter vara partiska eller vilseledda. Men om majoriteten av studenterna oberoende kommer fram till samma svar är den konsensusen ofta mer robust.
I praktiken fungerar det mycket bra att kombinera många svagare beslutsträd till en stark Random Forest och överträffar ofta ett optimerat enskilt beslutsträd på stora datamängder. Beslutsgränsen för en Random Forest är mjukare och generaliserar bättre till ny data än ett enskilt beslutsträd, så Random Forests är mindre benägna att överanpassa sig.
Noggrannheten förbättras dock inte om vi kombinerar många modeller som gör samma misstag. För att denna metod ska vara effektiv bör modellerna vara så olika varandra som möjligt så att de gör olika fel.
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
What makes the individual trees in a Random Forest different from each other?
Can you explain how Random Forest reduces overfitting compared to a single Decision Tree?
Are there any downsides or limitations to using Random Forests?
Awesome!
Completion rate improved to 4.17Vad är Random Forest
Svep för att visa menyn
Random Forest är en algoritm som används i stor utsträckning för klassificerings- och regressionsproblem. Den bygger många olika beslutsträd och tar deras majoritetsröst för klassificering och medelvärde vid regression.
Istället för att använda ett enskilt bästa träd bygger Random Forest många "svagare" träd. Det kan låta kontraintuitivt – varför skulle vi använda modeller som är sämre?
Tänk på det så här: ett enskilt beslutsträd är som en generalist – det försöker ta hänsyn till varje egenskap och ge en komplett bild. Dock kan det bli för självsäkert och göra misstag genom att överanpassa sig till brus i datan.
En Random Forest är däremot som ett team av specialister. Varje träd tränas på olika delar av datan och fokuserar på olika aspekter av problemet. Ensamt kanske varje träd inte är särskilt starkt – det kan till och med missa helheten. Men tillsammans, när du kombinerar deras "röster", täcker de varandras svagheter och ger en mer balanserad och exakt prediktion.
Du kan också jämföra det med att fråga 100 kompetenta studenter istället för att förlita dig på en enda professor. Även om professorn kan vara mer kunnig, kan även experter vara partiska eller vilseledda. Men om majoriteten av studenterna oberoende kommer fram till samma svar är den konsensusen ofta mer robust.
I praktiken fungerar det mycket bra att kombinera många svagare beslutsträd till en stark Random Forest och överträffar ofta ett optimerat enskilt beslutsträd på stora datamängder. Beslutsgränsen för en Random Forest är mjukare och generaliserar bättre till ny data än ett enskilt beslutsträd, så Random Forests är mindre benägna att överanpassa sig.
Noggrannheten förbättras dock inte om vi kombinerar många modeller som gör samma misstag. För att denna metod ska vara effektiv bör modellerna vara så olika varandra som möjligt så att de gör olika fel.
Tack för dina kommentarer!
