انحدار الغابة العشوائية

انحدار الغابة العشوائية هو خوارزمية قوية في تعلم الآلة تُستخدم للتحليلات التنبؤية. وهو نوع من طرق التعلم الجماعي، أي أنه يجمع بين عدة نماذج لإنشاء نموذج تنبؤي أكثر دقة. يقوم انحدار الغابة العشوائية بتكوين عدد كبير من أشجار القرار أثناء التدريب ويعطي متوسط التوقعات للأشجار الفردية.

المفاهيم الأساسية لانحدار الغابة العشوائية

التعلم الجماعي

التعلم الجماعي هو تقنية تجمع بين عدة نماذج تعلم آلي لتحسين الأداء الكلي. في حالة انحدار الغابة العشوائية، يتم تجميع نتائج العديد من أشجار القرار لإنتاج توقع أكثر موثوقية وقوة.

التجميع بواسطة العينة التمهيدية (Bagging)

التجميع بواسطة العينة التمهيدية، أو bagging، هو أسلوب يُستخدم لتقليل تباين نموذج تعلم الآلة. في انحدار الغابة العشوائية، يتم تدريب كل شجرة قرار على مجموعة بيانات عشوائية فرعية، مما يساعد على تحسين قدرة النموذج على التعميم وتقليل التجاوز.

أشجار القرار

شجرة القرار هي نموذج بسيط وقوي يُستخدم لمهام التصنيف والانحدار. تقوم بتقسيم البيانات إلى مجموعات فرعية بناءً على قيم الميزات المدخلة، وتتخذ قرارات في كل عقدة حتى يتم الوصول إلى التوقع النهائي عند العقدة الورقية.

كيف يعمل انحدار الغابة العشوائية؟

1. تحضير البيانات: يتم تقسيم مجموعة البيانات الأساسية إلى عدة مجموعات فرعية عن طريق أخذ عينات عشوائية مع الإرجاع.
2. بناء الأشجار: يتم إنشاء عدة أشجار قرار، كل واحدة منها تستخدم مجموعة بيانات فرعية مختلفة. أثناء بناء الشجرة، يتم النظر فقط في مجموعة فرعية من الميزات عند كل عقدة.
3. تجميع التوقعات: كل شجرة قرار تُصدر توقعها بشكل مستقل. ويتم احتساب التوقع النهائي لنموذج الغابة العشوائية بأخذ متوسط توقعات جميع الأشجار الفردية.

مزايا انحدار الغابة العشوائية

• دقة عالية: من خلال الجمع بين عدة أشجار قرار، غالباً ما يحقق انحدار الغابة العشوائية دقة أعلى من نماذج شجرة القرار الفردية.
• الصلابة: يكون أقل عرضة للتجاوز مقارنة بأشجار القرار المنفردة، بفضل العشوائية في أخذ العينات واختيار الميزات.
• التنوع: يمكنه التعامل بفعالية مع مهام الانحدار والتصنيف معاً.
• قابلية التفسير: رغم تعقيده، يسمح النموذج بتقييم أهمية الميزات، مما يساعد في فهم أي الميزات لها التأثير الأكبر على التوقعات.

التطبيقات العملية

يُستخدم انحدار الغابة العشوائية على نطاق واسع في مجالات مثل:

• المالية: لتوقع أسعار الأسهم وتقييم مخاطر الائتمان.
• الرعاية الصحية: لتوقع نتائج المرضى وتطور الأمراض.
• التسويق: لتقسيم العملاء وتوقع المبيعات.
• علوم البيئة: لتوقع تغيرات المناخ ومستويات التلوث.

بناء نموذج انحدار الغابة العشوائية

دليل خطوة بخطوة

1. جمع البيانات: جمع البيانات ومعالجتها مسبقاً.
2. اختيار الميزات: تحديد واختيار الميزات الأكثر صلة بالنموذج.
3. تدريب النموذج: استخدام خوارزمية الغابة العشوائية لتدريب النموذج على مجموعة التدريب.
4. تقييم النموذج: تقييم أداء النموذج باستخدام مقاييس مثل متوسط مربع الخطأ (MSE) أو معامل التحديد (R-squared).
5. ضبط المعلمات: تحسين النموذج من خلال ضبط المعلمات مثل عدد الأشجار، العمق الأقصى، والحد الأدنى لعدد العينات في الورقة.

مثال بلغة بايثون

    from sklearn.ensemble import RandomForestRegressor
    from sklearn.model_selection import train_test_split
    from sklearn.metrics import mean_squared_error

    # Load dataset
    X, y = load_your_data()  # Replace with your dataset loading method

    # Split into training and test sets
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

    # Initialize the model
    model = RandomForestRegressor(n_estimators=100, random_state=42)

    # Train the model
    model.fit(X_train, y_train)

    # Make predictions
    predictions = model.predict(X_test)

    # Evaluate the model
    mse = mean_squared_error(y_test, predictions)
    print(f'Mean Squared Error: {mse}')