الغابة العشوائية
Random Forest
التعريف
مجموعة كبيرة من أشجار القرار تُدرّب كل منها على عينة عشوائية من البيانات والخصائص، ثم تُجمع تنبؤاتها بالتصويت أو المتوسط.
الفكرة الأساسية
أخطاء الأشجار المنفردة مختلفة وعشوائية، فعند جمعها يتقلص التباين وتصبح النتيجة أكثر استقراراً (Bagging + اختيار عشوائي للخصائص).
آلية العمل
- نسحب عينة Bootstrap مع الإرجاع لكل شجرة
- عند كل تقسيم نختار عشوائياً جزءاً من الخصائص
- ندرّب عشرات أو مئات الأشجار
- نجمع التنبؤات: تصويت للتصنيف ومتوسط للانحدار
نوع البيانات ونوع المشكلة
| نوع البيانات | جدولية رقمية وفئوية |
|---|---|
| نوع المشكلة | تصنيف وانحدار |
المزايا
- دقة عالية دون ضبط كثير
- مقاومة للإفراط في التخصيص مقارنة بالشجرة المنفردة
- تعطي أهمية الخصائص Feature Importance
القيود
- أبطأ وأثقل من الشجرة الواحدة
- أقل قابلية للتفسير
- لا تستقرئ خارج مدى بيانات التدريب في الانحدار
المعاملات المهمة
- عدد الأشجار
- عدد الخصائص المرشحة عند كل تقسيم
- العمق الأقصى
مقاييس التقييم
- Accuracy الدقة
- Precision وRecall
- F1-score
- Confusion Matrix مصفوفة الالتباس
- ROC AUC للتصنيف الثنائي
- للانحدار: MAE وRMSE وR²
الأدوات التي تدعمها
| Orange | Random Forest |
|---|---|
| KNIME | Random Forest Learner + Random Forest Predictor |
| WEKA | trees.RandomForest |
أمثلة تطبيقية
- تصنيف أنواع النبيذ
- التنبؤ بمغادرة العملاء
- تقدير أسعار المنازل
