विषय
प्रश्न:
भविष्यवाणियों के लिए कंपनियां यादृच्छिक वन मॉडल का उपयोग कैसे कर सकती हैं?
ए:
मशीन सीखने की प्रक्रियाओं के साथ पूर्वानुमान बनाने के लिए कंपनियां अक्सर यादृच्छिक वन मॉडल का उपयोग करती हैं। यादृच्छिक वन दिए गए डेटा सेट के अधिक समग्र विश्लेषण करने के लिए कई निर्णय पेड़ों का उपयोग करता है।
एक एकल निर्णय पेड़ एक निश्चित चर या चर को एक द्विआधारी प्रक्रिया के अनुसार अलग करने के आधार पर काम करता है। उदाहरण के लिए, कारों या वाहनों के सेट से संबंधित डेटा सेटों का आकलन करने में, एक एकल निर्णय पेड़ प्रत्येक व्यक्ति के वाहन को वजन के आधार पर क्रमबद्ध और वर्गीकृत कर सकता है, उन्हें भारी या हल्के वाहनों में अलग कर सकता है।
यादृच्छिक वन निर्णय ट्री मॉडल पर बनाता है, और इसे अधिक परिष्कृत बनाता है। विशेषज्ञ बहुआयामी रिक्त स्थान पर लागू डेटा पर "स्टोकेस्टिक भेदभाव" या "स्टोकेस्टिक अनुमान लगाने" पद्धति का प्रतिनिधित्व करने के रूप में यादृच्छिक जंगलों के बारे में बात करते हैं। स्टोकेस्टिक भेदभाव डेटा मॉडल के विश्लेषण को बढ़ाने का एक तरीका है, जो एक भी निर्णय पेड़ क्या कर सकता है।
मूल रूप से, एक यादृच्छिक जंगल कई व्यक्तिगत निर्णय पेड़ बनाता है जो एक निश्चित डेटा सेट के साथ महत्वपूर्ण चर पर काम करते हैं। एक प्रमुख कारक यह है कि एक यादृच्छिक जंगल में, प्रत्येक निर्णय पेड़ का डेटा सेट और चर विश्लेषण आम तौर पर ओवरलैप होगा। मॉडल के लिए महत्वपूर्ण है, क्योंकि यादृच्छिक वन मॉडल प्रत्येक निर्णय पेड़ के लिए औसत परिणाम लेता है, और उन्हें एक भारित निर्णय में कारक बनाता है। संक्षेप में, विश्लेषण विभिन्न निर्णय पेड़ों के सभी वोटों को ले रहा है और उत्पादक और तार्किक परिणामों की पेशकश करने के लिए आम सहमति का निर्माण कर रहा है।
एक यादृच्छिक वन एल्गोरिथ्म का उपयोग करने का एक उदाहरण आर-ब्लॉगर साइट पर उपलब्ध है, जहां लेखक तेजा कोदली अम्लता, चीनी, सल्फर डाइऑक्साइड स्तर, पीएच मान और शराब सामग्री जैसे कारकों के माध्यम से शराब की गुणवत्ता का निर्धारण करने का उदाहरण लेता है। कोदली बताते हैं कि कैसे एक यादृच्छिक वन एल्गोरिथ्म प्रत्येक व्यक्तिगत पेड़ के लिए सुविधाओं के एक छोटे यादृच्छिक सबसेट का उपयोग करता है, और फिर परिणामी औसत का उपयोग करता है।
इसे ध्यान में रखते हुए, भविष्य कहे जाने वाले मॉडलिंग के लिए यादृच्छिक वन मशीन लर्निंग एल्गोरिदम का उपयोग करने वाले उद्यम पहले अनुमानित डेटा को अलग कर देंगे, जिसे प्रोडक्शंस के सेट में उबाला जाना चाहिए, और फिर इसे एक निश्चित प्रशिक्षण का उपयोग करके यादृच्छिक वन मॉडल पर लागू करना चाहिए। डेटा। मशीन लर्निंग एल्गोरिदम उस प्रशिक्षण डेटा को लेते हैं और अपने मूल प्रोग्रामिंग की बाधाओं से परे विकसित करने के लिए इसके साथ काम करते हैं। यादृच्छिक वन मॉडल के मामले में, प्रौद्योगिकी अपने यादृच्छिक वन सर्वसम्मति बनाने के लिए उन व्यक्तिगत निर्णय पेड़ों का उपयोग करके अधिक परिष्कृत भविष्य कहनेवाला परिणाम बनाना सीखती है।
एक तरीका यह है कि इसे व्यवसाय पर लागू किया जा सकता है, विभिन्न उत्पाद संपत्ति चर लेने के लिए और संभावित ग्राहक रुचि को इंगित करने के लिए यादृच्छिक वन का उपयोग करना है। उदाहरण के लिए, यदि रंग, आकार, स्थायित्व, पोर्टेबिलिटी या ऐसी किसी अन्य चीज़ के बारे में ग्राहकों की रुचि है, जिसे ग्राहकों ने रुचि का संकेत दिया है, तो उन विशेषताओं को डेटा सेट में फीड किया जा सकता है और मल्टीएक्टर के लिए अपने स्वयं के अनूठे प्रभाव के आधार पर विश्लेषण किया जा सकता है। विश्लेषण।