P:
Com poden les empreses utilitzar models de bosc aleatori per a prediccions?
R:Les empreses solen utilitzar models de bosc aleatori per fer prediccions amb processos d’aprenentatge automàtic. El bosc aleatori utilitza diversos arbres de decisió per fer una anàlisi més holística d’un conjunt de dades determinat.
Un arbre de decisions únic funciona a partir de separar una determinada variable o variable segons un procés binari. Per exemple, a l’hora de valorar conjunts de dades relacionats amb un conjunt de cotxes o vehicles, un arbre de decisió únic podria ordenar i classificar cada vehicle en funció del seu pes, separant-los en vehicles pesants o lleugers.
El bosc aleatori es basa en el model d’arbre de decisió i el fa més sofisticat. Els experts parlen de boscos aleatoris com representant la "discriminació estocàstica" o el mètode "endevinació estocàstica" sobre dades aplicades a espais multidimensionals. La discriminació estocàstica sol ser una manera de millorar l’anàlisi dels models de dades més enllà del que un arbre de decisions únic pot fer.
Bàsicament, un bosc aleatori crea molts arbres de decisions individuals treballant en variables importants amb un determinat conjunt de dades aplicat. Un dels principals factors és que en un bosc aleatori, el conjunt de dades i l’anàlisi variable de cada arbre de decisió solen coincidir. Això és important per al model, perquè el model de bosc aleatori pren els resultats mitjans de cada arbre de decisió i els porta en una decisió ponderada. En essència, l’anàlisi és agafar tots els vots de diversos arbres de decisió i construir un consens per oferir resultats productius i lògics.
Un exemple d’ús d’un algorisme de bosc aleatori de manera productiva està disponible al lloc de R-blogger, on l’escriptora Teja Kodali pren l’exemple de determinar la qualitat del vi mitjançant factors com l’acidesa, el sucre, els nivells de diòxid de sofre, el valor de pH i el contingut d’alcohol. Kodali explica com un algorisme de bosc aleatori utilitza un petit subconjunt aleatori de característiques per a cada arbre i, a continuació, utilitza mitjanes resultants.
Tenint això en compte, les empreses que vulguin utilitzar algoritmes d’aprenentatge de màquines forestals aleatòries per a modelització predictiu aïllaran en primer lloc les dades predictius que s’han d’elaborar en un conjunt de produccions i després l’aplicaran al model de bosc aleatori amb un determinat conjunt de formació. dades. Els algorismes d'aprenentatge automàtic prenen aquestes dades de formació i treballen per evolucionar més enllà de les restriccions de la seva programació original. En el cas dels models de bosc aleatori, la tecnologia aprèn a formar resultats predictius més sofisticats utilitzant aquests arbres de decisió individuals per construir el seu consens forestal aleatori.
Una manera d’aplicar-ho als negocis és agafar diverses variables de propietat del producte i utilitzar un bosc aleatori per indicar l’interès del client potencial. Per exemple, si hi ha factors d’interès del client coneguts com ara el color, la mida, la durabilitat, la portabilitat o qualsevol altra cosa que els clients hagin manifestat interès, aquests atributs es poden introduir en els conjunts de dades i analitzar-los sobre la base del seu propi impacte únic per a multifactor. anàlisi
