مروری بر پروهشهای دسته بندی ها توسط الگوریتم جنگل تصادفی

جنگل تصادفی یک الگوریتم یادگیری ماشین تحت نظارت است. در حوزه داده کاوی، الگوریتم های یادگیری ماشین به طور گسترده ای برای تحلیل داده ها مورد استفاده قرار می گیرند و بر اساس نتایج حاصله این داده ها، پیش بینی صورت می پذیرد. به عنوان یک الگوریتم گروهی، جنگل تصادفی درختان چندگانه را به عنوان طبقه بندی های پایه تولید می کند و بر اساس رای اکثریت نتایج درخت های پایه را ترکیب می شوند. نتایج پیش بینی درختان تصمیم فردی واما در جنگل تصادفی نتایج همبستگی درون درختان پایه جنگل ، مسائل کلیدی این الگوریتم است که این امر خطا تعمیمی طبقه بندی های تصادفی تصمیم می گیرند. بر اساس اندازه گیری دقیق، طبقه بندی های تصادفی جنگل در مقایسه با تکنیک های موجود مانند bagging و ا boosting صورت می گیرد.در این کار تحقیقاتی تلاش شده است تا بهبود عملکرد طبقه بندی های تصادفی جنگل از لحاظ دقت و زمان مورد نیاز برای یادگیری و طبقه بندی بررسی گردد و برای بهبود بخشیدن کارایی روش جنگل تصادفی می توان بر روی محور دقت و سرعت آن کارکرد تمرکز گرد. درزمینه بهبود دقت، با ارزیابی ویژگیهای مختلف و ترکیب توابع و نتایج پژوهش های افزایش سرعت یادگیری از طریق کاهش در درختان تصمیم اصلی و همچنین افزایش سرعت طبقه بندی پیشنهاد می شود . روش جنگل تصادفی دارای خواص موازی سازی می و در جهت گسترش پذیری و کارایی تمی وان بهره برد. در این مقاله مروری بر جدیدترین متدهای بهبود دقت و سرعت در الگوریتم جنگل تصادفی به صورت خلاصه خواهیم پرداخت.

کلیدواژه ها:

جنگل تصادفی ، درخت تصمیم ، کارایی ، طبقه بندی ، موازی سازی