دسته بندی داده های بزرگ با استفاده از الگوریتم جنگل تصادفی

امروزه فرایند استخراج اطلاعات معتبر ناشناخته، قابل فهم و قابل اعتماد از مجموعه داده های بزرگ و استفاده از آن در تصمیم گیری ودر فعالیت های تجاری بیشتر از گذشته احساس می شود. از این رو لازم برای تحلیل داده ها مصنوعی و کشف الگوی نا شناخته معتبر و روابط بین مجموعه های داده وسیع می باش. این ابزار ها می تواند شامل مدل های آماری و الگوریتم های ریاضی و روش یادگیری ماشین باشد. با استفاده از این الگوریتم ها در مباحث مختلف صنعتی ، مدیریتی ،مالی ، مهندسی منجر به پیشرفت سازمان ها در تحلیل داده های وسیع شده است و با توجه به هدف اصلی طبقه بدی داده ها رسیدن به صحت بالاست و یکی از متدها برای رسیدن به این هد استفاده از یادگیری تلفیقی است . جنگل تصادفی به عنوان درخت تصمیم تلفیقی محسوب می شودو کارایی خوبی هم در طبقه بندی داده ها کلان دارد. طبقه بندی مجموعه داده های نامتعادل چالشی را برای اکثر تکنیک های یادگیری استاندارد به وجود آورده است و الوریتم جنگل تصادفی هم تحت تاثیر منفی توزیع کلاس نا متعادل قرار گرفته است ودر نهایت کار طبقه بندی این داده ها را به کمک الگوریتم جنگل تصادفی انجام داده ایم.

کلیدواژه ها:

جنگل تصادفی ، کلان داده ها ، کارایی ، نا متعادل ، موازی سازی