Rastgele orman

R ile Ağaç Tabanlı Modellerle Machine Learning

Sandro Raabe

Data Scientist

Rastgele orman

Yüksek boyutlu veriler için uygun
Kullanımı kolay
Kutudan çıkar çıkmaz iyi performans
Çeşitli paketlerde uygulanmış: ranger, randomForest
Bu paketler için tidymodels arayüzü: rand_forest() (parsnip paketi içinde)

Fikir

Temel fikir (bagging ile aynı): bootstrap örnekleri üzerinde ağaçları eğitmek
Temel fark: ağaçlar arasında rastgele öznitelikler → rastgele orman

Sezgi

rastgele orman eskizi

Kodlama: Rastgele orman modeli belirtme

Fonksiyon adı: rand_forest()

Hiperparametreler:

mtry: her düğümde görülen öznitelik sayısı, varsayılan:
$$\left\lfloor\sqrt\text{değişken sayısı}\right\rfloor$$
trees: ormandaki ağaç sayısı
min_n: izin verilen en küçük yaprak boyutu

rand_forest(

    mtry = 4,

    trees = 500,

    min_n = 10) %>%

  # Set the mode
  set_mode("classification") %>%

  # Use engine ranger or randomForest
  set_engine("ranger")

Kodlama: Rastgele orman modeli belirtme

spec <- rand_forest(trees = 100) %>%

            set_mode("classification") %>%

            set_engine("ranger")

Rastgele Orman Model Özelliği

(sınıflandırma)


Temel Argümanlar:
  trees = 100

Hesaplama motoru: ranger

Bir ormanı eğitme

spec %>% fit(still_customer ~ ., data = customers_train)

parsnip model nesnesi

Eğitim süresi: 631 ms 
Ranger sonucu

Ağaç sayısı:                      100 
Örneklem boyutu:                  9116 
Bağımsız değişken sayısı:         19 
Mtry:                             4 
Hedef yaprak boyutu:              10

Değişken önemi

rand_forest(mode = "classification") %>%
    set_engine("ranger", importance = "impurity") %>%

    fit(still_customer ~ ., data = customers_train) %>%

    vip::vip()

vip grafiği

Haydi bir rastgele orman dikelim!

R ile Ağaç Tabanlı Modellerle Machine Learning