Isi
Q:
Bagaimana perusahaan dapat menggunakan model hutan acak untuk prediksi?
SEBUAH:
Perusahaan sering menggunakan model hutan acak untuk membuat prediksi dengan proses pembelajaran mesin. Hutan acak menggunakan banyak pohon keputusan untuk membuat analisis yang lebih holistik dari set data yang diberikan.
Pohon keputusan tunggal bekerja berdasarkan pemisahan variabel atau variabel tertentu berdasarkan proses biner. Misalnya, dalam menilai kumpulan data yang terkait dengan satu set mobil atau kendaraan, satu pohon keputusan dapat mengurutkan dan mengklasifikasikan setiap kendaraan berdasarkan beratnya, memisahkannya menjadi kendaraan berat atau ringan.
Hutan acak dibangun di atas model pohon keputusan, dan membuatnya lebih canggih. Para ahli berbicara tentang hutan acak sebagai representasi "diskriminasi stokastik" atau metode "perkiraan stokastik" pada data yang diterapkan pada ruang multidimensi. Diskriminasi stokastik cenderung menjadi cara untuk meningkatkan analisis model data di luar apa yang dapat dilakukan pohon keputusan tunggal.
Pada dasarnya, hutan acak menciptakan banyak pohon keputusan individu yang bekerja pada variabel-variabel penting dengan seperangkat data tertentu yang diterapkan. Salah satu faktor utama adalah bahwa di hutan acak, kumpulan data dan analisis variabel dari setiap pohon keputusan biasanya akan tumpang tindih. Itu penting untuk model, karena model hutan acak mengambil hasil rata-rata untuk setiap pohon keputusan, dan faktor mereka menjadi keputusan tertimbang. Intinya, analisis ini mengambil semua suara dari berbagai pohon keputusan dan membangun konsensus untuk menawarkan hasil yang produktif dan logis.
Salah satu contoh menggunakan algoritma hutan acak secara produktif tersedia di situs R-blogger, di mana penulis Teja Kodali mengambil contoh menentukan kualitas anggur melalui faktor-faktor seperti keasaman, gula, kadar sulfur dioksida, nilai pH dan kandungan alkohol. Kodali menjelaskan bagaimana algoritma hutan acak menggunakan sejumlah kecil fitur acak untuk setiap pohon individu, dan kemudian menggunakan rata-rata yang dihasilkan.
Dengan pemikiran ini, perusahaan yang ingin menggunakan algoritma pembelajaran mesin hutan acak untuk pemodelan prediktif pertama-tama akan mengisolasi data prediktif yang perlu diringkas menjadi satu set produksi, dan kemudian menerapkannya pada model hutan acak menggunakan serangkaian pelatihan tertentu. data. Algoritma pembelajaran mesin mengambil data pelatihan itu dan bekerja dengannya untuk berkembang melampaui batasan pemrograman asli mereka. Dalam kasus model hutan acak, teknologi belajar untuk membentuk hasil prediksi yang lebih canggih menggunakan pohon keputusan individu untuk membangun konsensus hutan acak.
Salah satu cara hal ini dapat diterapkan pada bisnis adalah dengan mengambil berbagai variabel properti produk dan menggunakan hutan acak untuk menunjukkan minat pelanggan potensial. Misalnya, jika ada faktor minat pelanggan yang diketahui seperti warna, ukuran, daya tahan, portabilitas, atau apa pun yang menunjukkan minat, atribut tersebut dapat dimasukkan ke dalam kumpulan data dan dianalisis berdasarkan dampak unik mereka sendiri untuk multifaktor. analisis.