Rastgele Orman
Random Forest (Breiman Ensemble of Decision Trees) · Ayrıca şöyle bilinir: Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble
Rastgele Orman, 2001 yılında Leo Breiman tarafından tanıtılan, verinin bootstrap örneklemleri üzerinde çok sayıda karar ağacı büyüterek ve güçlü sınıflandırma ve regresyon üretmek için oylarını birleştirerek çalışan bir topluluk öğrenme yöntemidir. Birbirinden biraz farklı birçok ağacı bir araya getirerek, tek bir ağaçtan daha doğru ve daha kararlı tahminler üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+122 tane daha
Ne zaman kullanılır
Çok sayıda (muhtemelen doğrusal olmayan ve etkileşimli) özelliğe sahip ve en az yaklaşık 50 gözlemi olan tablo verileri üzerinde doğru, sağlam sınıflandırma, regresyon veya tahmin için iyi bir uyum, özellikle tahmin performansı açık katsayılardan daha önemli olduğunda. Rastgele Orman varsayımları hafiftir: normal dağılmış verileri gerektirmez ve sürekli, kategorik, ikili, sıralı ve sayım özelliklerini işler. Hiperparametre ayarı önerilir. Örneklem boyutları yaklaşık 50'nin altına düştüğünde, lojistik veya doğrusal regresyon gibi daha basit modeller daha güvenlidir.
Güçlü yönler & sınırlılıklar
- Sınıflandırma ve regresyon için tablo verileri üzerinde güçlü, kullanıma hazır doğruluk.
- Torbalama artı her bölünmede rastgele özellik seçimi sayesinde aşırı uyuma dirençli.
- Yerleşik özellik önemi, değişken sıralamasını doğrudan modele entegre eder.
- Çanta dışı hata, ayrı bir çapraz doğrulama geçişi olmadan dürüst bir doğrulama tahmini sağlar.
- Varsayımları hafiftir: normallik gerektirmez ve karışık özellik türlerini ve doğrusal olmayan etkileşimleri işler.
- Yorumlanacak katsayılar yoktur; kara kutu doğası, açık etkiler bekleyen incelemecilerle çelişebilir.
- Hiperparametre ayarı önerilir ve büyük ormanlar bellek ve hesaplama maliyeti getirir.
- Küçük örneklemlerde (n yaklaşık 50'nin altında) birçok ağaç aşırı uyum sağlar ve çapraz doğrulama sonuçları yanıltıcı hale gelir.
- Özellik önemi tahminleri küçük örneklem boyutlarında kararsız ve tekrarlanamaz olabilir.
SSS
Ormanın kaç ağacı olmalı?
Daha fazla ağaç, hesaplama ve bellek maliyeti pahasına varyansı azaltır ve oyu stabilize eder. Yaygın bir başlangıç noktası yaklaşık 100 ağaçtır, çanta dışı hata iyileşmeyi durdurana kadar artırılır.
Rastgele Orman aşırı uyum sağlar mı?
Torbalama ve rastgele özellik seçimi ağaçları birbirine bağlamadığı ve bireysel hatalarını ortalamadığı için aşırı uyuma karşı oldukça dirençlidir. Ana risk, çok küçük bir veri kümesinde çok sayıda derin ağaç uydurmaktır, burada model aşırı uyum sağlar ve çapraz doğrulama yanıltıcı hale gelir.
Özellik önemine güvenebilir miyim?
Özellik önemi, tahmincileri sıralamak için kullanışlıdır, ancak küçük örneklem boyutlarında kararsız ve tekrarlanamaz olabilir, bu nedenle küçük örneklem sıralamalarına dikkatle yaklaşın. Bunu SHAP analiziyle eşleştirmek, her bir özelliğin katkısı hakkında daha net bir görünüm sağlar.
Uydurmadan önce ve sonra neyi kontrol etmeliyim?
Önceden, eksik değerleri işleyin, kategorik değişkenleri kodlayın ve bir eğitim/test bölümü veya k-katlı çapraz doğrulama ayarlayın. Sonrasında, çanta dışı hatayı değerlendirin, çapraz doğrulamayı çalıştırın ve özellik katkılarını inceleyin (örneğin SHAP ile).
Kaynaklar
- Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
- James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8). Springer. ISBN: 978-1-4614-7138-7
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/tr/machine-learning/random-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır