For many data sets, it produces a h

For many data sets, it produces a highly accurate classifier.
The algorithm for inducing a random forest was developed by
Leo Breiman and Adele Cutler [12] the method combines
Breiman's "bagging" idea and the random selection of
features, in order to construct a collection of decision trees
with controlled variation.
Algorithm: Random forest classifier
Input:
1. Training Dataset N, Which is a set of training
observations and their associated class values.
Output: Generates Decision trees
Each tree is constructed based on the following steps
1. Let the number of training cases be N, and the
number of variables in the classifier be M.
2. The number m of input variables to be used to
determine the decision at a node of the tree; m
should be much less than M.
3. Choose a training set for this tree by choosing n
times with replacement from all N available training
cases (i.e. take a bootstrap sample). Use the rest of
the cases to estimate the error of the tree, by
predicting their classes.
4. For each node of the tree, randomly choose m
variables on which to base the decision at that node.
Calculate the best split based on these m variables in
the training set.
5. Each tree is fully grown and not pruned (as may be
done in constructing a normal tree classifier).
For prediction a new sample is pushed down the
tree. It is assigned the label of the training sample in the
terminal node it ends up in. This procedure is iterated over all
trees in the ensemble, and the average vote of all trees is
reported as random forest prediction.

ผลลัพธ์ (ไทย) 1:

สำหรับชุดข้อมูลจำนวนมาก มันผลิต classifier ความถูกต้องสูงอัลกอริทึมสำหรับ inducing ป่าสุ่มได้รับการพัฒนาโดยLeo Breiman และ Adele Cutler [12] รวมวิธีของ Breiman "เย็บถุง" ความคิดและการเลือกสุ่มคุณลักษณะ การสร้างกลุ่มของต้นไม้ตัดสินใจมีการเปลี่ยนแปลงที่ควบคุมอัลกอริทึม: ป่าสุ่ม classifierป้อนข้อมูล:1. ฝึกอบรมชุดข้อมูล N ซึ่งเป็นชุดการฝึกสังเกตและค่าคลาผลลัพธ์: สร้างต้นไม้ตัดสินใจต้นไม้แต่ละต้นถูกสร้างขึ้นตามขั้นตอนต่อไปนี้1. จำนวนของกรณีฝึกอบรมให้ N และจำนวนตัวแปรใน classifier ที่เป็น M2 m.หมายเลขตัวแปรอินพุตจะใช้ตรวจสอบการตัดสินใจที่โหนต้น mควรจะมากน้อยกว่า M3. เลือกฝึกการตั้งค่าสำหรับแผนภูมินี้ โดยเลือก nครั้ง โดยเปลี่ยนจากการฝึกอบรมมีทั้งหมด Nกรณี (เช่นมีตัวอย่างการเริ่มต้นระบบ) ใช้ส่วนเหลือของกรณีข้อผิดพลาดของต้นไม้ การประเมินโดยคาดการณ์ระดับชั้นของตน4. สำหรับแต่ละโหนดในทรี สุ่มเลือก mตัวแปรที่จะใช้เป็นพื้นฐานการตัดสินใจที่โหนการแยกดีขึ้นอยู่กับตัวแปร m เหล่านี้ในการคำนวณชุดฝึกอบรมด้วย5. แต่ละต้นโตเต็มที่ และไม่ล้าง (ตามที่แล้วก่อสร้าง classifier ต้นไม้ปกติ)สำหรับการคาดเดา อย่างใหม่ถูกผลักลงในแผนภูมิ มีกำหนดป้ายชื่อของตัวอย่างฝึกในการโหนเทอร์มินัลได้สิ้นสุดลงใน ขั้นตอนนี้เป็นทวิภาควนซ้ำทั้งหมดเป็นต้นไม้แบบวงดนตรี และคะแนนเฉลี่ยของทั้งหมดรายงานเป็นการคาดเดาสุ่มป่า

ผลลัพธ์ (ไทย) 2:

สำหรับชุดข้อมูลจำนวนมากก็ผลิตจําแนกความถูกต้องสูง.
อัลกอริทึมในการกระตุ้นป่าสุ่มรับการพัฒนาโดย
สิงห์ Breiman และ Adele ด [12] วิธีการรวม
Breiman ของ "ห่อ" ความคิดและสุ่มเลือก
คุณสมบัติเพื่อสร้าง คอลเลกชันของต้นไม้การตัดสินใจ
ที่มีรูปแบบการควบคุม.
อัลกอริทึม: ลักษณนามป่าสุ่ม
อินพุต:
1 การฝึกอบรมชุดข้อมูล N, ซึ่งเป็นชุดของการฝึกอบรม
การสังเกตและค่าระดับของพวกเขาที่เกี่ยวข้อง.
เอาท์พุท: สร้างต้นไม้การตัดสินใจ
แต่ละต้นมีการก่อสร้างขึ้นอยู่กับขั้นตอนดังต่อไปนี้
1 ให้จำนวนของกรณีการฝึกอบรมเป็น N, และ
จำนวนของตัวแปรในการจําแนกเป็นเอ็ม
2 ม. จำนวนตัวแปรที่จะใช้ในการ
ตรวจสอบการตัดสินใจที่โหนดของต้นไม้; ม.
ควรจะน้อยกว่าเอ็ม
3 เลือกชุดการฝึกอบรมสำหรับต้นไม้นี้โดยเลือก n
ครั้งด้วยการเปลี่ยนจากการฝึกอบรมที่มีอยู่ยังไม่มี
กรณี (เช่นใช้ตัวอย่างบูต) ใช้ส่วนที่เหลือของ
กรณีที่จะประเมินข้อผิดพลาดของต้นไม้โดย
การทำนายการเรียนของพวกเขา.
4 สำหรับโหนดของต้นไม้แต่ละสุ่มเลือกม
ตัวแปรที่จะฐานการตัดสินใจที่โหนดที่.
คำนวณแยกที่ดีที่สุดขึ้นอยู่กับตัวแปรเหล่านี้มใน
ชุดฝึกอบรม.
5 ต้นไม้แต่ละเติบโตอย่างเต็มที่และไม่ได้ตัดแต่ง (ตามที่อาจจะ
ทำในการสร้างลักษณนามต้นไม้ปกติ).
สำหรับการทำนายตัวอย่างใหม่จะถูกผลักลง
ต้นไม้ มันมีการกำหนดฉลากของกลุ่มตัวอย่างในการฝึกอบรม
โหนดขั้วมันจะจบลงใน. ขั้นตอนนี้จะซ้ำมากกว่าทุก
ต้นไม้ในวงดนตรีและออกเสียงลงคะแนนเฉลี่ยของต้นไม้ทั้งหมดจะถูก
รายงานว่าเป็นคำทำนายป่าสุ่ม

ผลลัพธ์ (ไทย) 3:

สำหรับชุดข้อมูลหลาย มันสร้างความถูกต้องสูงแบบ .
ขั้นตอนวิธีสำหรับ inducing ป่าสุ่มได้รับการพัฒนาโดย
สิงห์ breiman และอะเดล Cutler [ 12 ] วิธีการรวม
breiman " ห่อ " ความคิดและการสุ่มของ
คุณสมบัติ ในการสร้างคอลเลกชันของต้นไม้การตัดสินใจ
กับรูปแบบการควบคุม

เข้าป่าแบบสุ่ม 1 :
1 การฝึกวันที่ nซึ่งเป็นชุดของการสังเกตการฝึกอบรมและที่เกี่ยวข้องของพวกเขาระดับค่า
.
ออกสร้างต้นไม้การตัดสินใจ
แต่ละต้นถูกสร้างตามขั้นตอน
1 ต่อไปนี้ ให้หมายเลขของกรณีการฝึกอบรมเป็น N และ
จำนวนตัวแปรในแบบเป็นเมตร
2 หมายเลขของตัวแปรที่จะใช้ศึกษาการตัดสินใจใน

ปมของต้นไม้ ; M
ควรจะมากน้อยกว่าเมตร
3เลือกชุดฝึกอบรมสำหรับต้นไม้นี้โดยเลือก n
ครั้งแทน จาก N กรณีการฝึกอบรม
ใช้ได้ ( เช่นใช้บูตสแตรปตัวอย่าง ) ใช้ส่วนที่เหลือของ
กรณีการประเมินความผิดพลาดของต้นไม้ในชั้นเรียนของพวกเขาโดย
.
4 สำหรับแต่ละโหนดของต้นไม้ , สุ่มเลือก M
ตัวแปรที่ฐานการตัดสินใจที่โหนด .
คำนวณที่ดีที่สุดแยกจากตัวแปรเหล่านี้ใน
Mชุดฝึกอบรม .
5 แต่ละต้นจะเจริญเติบโตเต็มที่ และไม่ตัด ( อาจจะทำในการสร้างต้นไม้ปกติ

1 ) การทำนายตัวอย่างใหม่ที่ถูกผลักลง
ต้นไม้ มันถูกกำหนดให้ฉลากของการฝึกอบรมตัวอย่างใน
บัพปลายมันสิ้นสุดขึ้นใน ขั้นตอนนี้ซ้ำมากกว่าต้นไม้
ในทั้งมวล และคะแนนเฉลี่ยของต้นไม้ คือเป็นป่า
รายงานพยากรณ์แบบสุ่ม