Abrir o menú principal

Random Forest é un metaalgoritmo de aprendizaxe automática (Machine Learning) deseñado como unha modificación substancial da idea de empaquetado (bagging) que constrúe unha gran colección de árbores sen correlación para posteriormente calcular a súa media. Para a súa aplicación na maioría de problemas, a resolutividade do Random Forest é similar á do algoritmo de empaquetado, coa suma de que son máis sinxelos de adestrar e parametrizar. Como consecuencia, a súa popularidade é alta e desenvólvense en multitude de módulos de aprendizaxe automática.[1]

Definición de Random ForestEditar

A idea principal no metaalgoritmo de empaquetado é o cálculo da media sobre moitos modelos de ruído non distorsionados ou simplificados. As árbores, en informática, son candidatas ideais para emular a idea de empaquetado, posto que capturan complexas interaccións nas estruturas de calquera conxunto de datos dado. Así mesmo medra con suficiente profundidade para evitar calquera distorsión ou simplificación (bias). Sumado a que as árbores adoitan asociarse a grandes cantidades de ruído, benefícianse enormemente da limpeza a través do cálculo da media. Así mesmo, dado que cada árbore xerada por empaquetado ten idéntica distribución, espérase que a media de varios deles   achegue os mesmos resultados que a media individual.

A media de   variábeis aleatorias, cada unha cunha varianza de σ2 aporta unha varianza total de  2.

Random Forest introduciuse baixo está definición por Leo Breiman en 2001, aínda que a maioría das ideas presentábanse dispersas na literatura con anterioridade. Notabelmente Tin Kam Ho en 1995 introduciu o termo, e usouno parcialmente sobre subconxuntos aleatorios de características atopadas en común nun conxunto de datos.

Jerome H. Friedman en 2007 probou que incrementando e calculando a media de mostras de tamaño   aproxímase (en consideracións de bias e varianza) á idea de empaquetado, así como usar mostras menores que N reduce a varianza aínda máis (a través do proceso de decorrelación).

NotasEditar

  1. Hastie, Trevor; Tibshirani, Robert (2001). The Elements of Statistical Learning. Springer. 

Véxase taménEditar