İçeriğe geç
parazade
Yapay Zeka

Rastgele Orman Nedir?

İngilizce: Random Forest

Yayın: · Son güncelleme:

Rastgele Orman Nedir? Kısaca

Rastgele orman (random forest), her biri verinin rastgele bir örneği ve rastgele seçilen özelliklerle eğitilen çok sayıda karar ağacının tahminlerini oylama ya da ortalama ile birleştiren bir makine öğrenmesi algoritmasıdır.

Rastgele Orman nedir?
İçindekiler
  1. Rastgele orman nedir?
  2. Nasıl tahmin yapar?
  3. Güçlü ve zayıf yanları

Rastgele orman, birçok karar ağacı eğitip bunların ortak kararını kullanan bir makine öğrenmesi algoritmasıdır. Hem sınıflandırma hem de sayısal tahmin (regresyon) problemlerinde kullanılır ve tablo verisinde güçlü bir başlangıç yöntemi kabul edilir.

Rastgele orman nedir?

Tek bir karar ağacı anlaşılırdır ama veriye fazla uyum sağlamaya, yani aşırı öğrenmeye yatkındır. Rastgele orman bu sorunu iki tür rastgelelik ekleyerek azaltır:

  1. Satır rastgeleliği: Her ağaç, eğitim verisinden yerine koymalı çekilen farklı bir örnekle eğitilir. Bu, bagging yöntemidir.
  2. Özellik rastgeleliği: Ağaçtaki her bölünmede tüm özellikler değil, rastgele seçilmiş bir alt kümesi değerlendirilir.

Böylece ağaçlar birbirinden farklılaşır ve hataları birbirini dengeler.

Nasıl tahmin yapar?

Yeni bir örnek geldiğinde tüm ağaçlar ayrı ayrı tahmin üretir. Sınıflandırmada en çok oy alan sınıf, regresyonda ağaçların ortalaması sonuç olur.

Varsayımsal bir örnek: Bir bankanın kredi başvurularını değerlendiren 200 ağaçlı bir ormanda 150 ağaç "geri öder", 50 ağaç "ödemez" diyorsa model "geri öder" sonucunu verir. Bu oran ayrıca bir güven ölçüsü olarak da yorumlanabilir.

Güçlü ve zayıf yanları

  • Az ayarla iyi sonuç verir, aşırı öğrenmeye tek ağaçtan daha dayanıklıdır.
  • Hangi özelliklerin tahminde daha etkili olduğuna dair "özellik önemi" bilgisi sunar.
  • Yüzlerce ağaç olduğu için kararın tek tek izlenmesi zordur.
  • Büyük ormanlar bellek ve tahmin süresi açısından maliyetli olabilir.
  • Eğitim verisindeki aralığın dışına çıkan sayısal değerleri tahmin etmede (ekstrapolasyon) zayıftır.

Sıkça Sorulan Sorular

Rastgele ormanda kaç ağaç olmalı?

Kesin bir sayı yoktur. Ağaç sayısı arttıkça sonuç genellikle iyileşir ve bir noktadan sonra durağanlaşır; doğru değer doğrulama verisiyle belirlenir.

Rastgele orman aşırı öğrenir mi?

Tek bir karar ağacına göre çok daha dayanıklıdır ama tamamen bağışık değildir. Çok derin ağaçlar ve gürültülü veri yine aşırı uyuma yol açabilir.

İlgili terimler

Karar Ağacı(Decision Tree)Karar ağacı, veriyi bir dizi koşul sorusuyla adım adım dallara ayırarak sınıflandırma ya da sayısal tahmin yapan, ağaç biçiminde gösterilebilen ve kararları kolay yorumlanan bir makine öğrenmesi modelidir.BaggingBagging (bootstrap aggregating), eğitim verisinden yerine koymalı rastgele örnekler çekip her biriyle ayrı bir model eğiten ve bu modellerin tahminlerini oylama ya da ortalama ile birleştiren bir topluluk öğrenmesi yöntemidir.Topluluk Öğrenmesi(Ensemble Learning)Topluluk öğrenmesi (ensemble learning), birden fazla makine öğrenmesi modelinin tahminlerini oylama, ortalama ya da başka bir modelle birleştirerek tek bir modelden daha doğru ve kararlı sonuç elde etmeyi amaçlayan yaklaşımdır.Gradyan Artırma(Gradient Boosting)Gradyan artırma (gradient boosting), her yeni modelin, genellikle küçük bir karar ağacının, o ana kadarki toplam tahminin hatasını düzeltecek şekilde eğitildiği ve modellerin art arda toplandığı bir boosting yöntemidir.Makine Öğrenmesi(Machine Learning)Makine öğrenmesi, bilgisayarların açıkça programlanmadan, örnek verilerdeki kalıpları öğrenerek tahmin veya karar üretmesini sağlayan yapay zekâ dalıdır.Özellik(Feature)Özellik (feature), makine öğrenmesinde her bir örneği tanımlayan ve modelin tahmin yaparken girdi olarak kullandığı ölçülebilir nitelik ya da değişkendir. Örneğin ev fiyatı tahmininde metrekare, oda sayısı ve konum birer özelliktir.