توضیحات
random forest از چندین درخت تصمیم تشکیل شده است که از زیر مجموعه های داده های ورودی استفاده می کند. random forest از میانگین گیری برای بهبود دقت پیش بینی و کنترل over fitting استفاده می کند.
در اینترنت کدهای زیادی برای random forest وجود دارد. ما بیشتر آنها را تست کردیم و یکی از بهترین آنها را انتخاب کردیم. در این فیلم آموزشی نحوه استفاده از این کد را با چندین مثال تشریح می کنیم.
تئوری random forest در این فیلم آموزشی بسیار کم صحبت شده است و تمرکز اصلی بر پیاده سازی در متلب است.
این فیلم آموزشی برای کسانی مناسب است که می خواهند یک پروژه برنامه نویسی random forest در متلب را انجام دهند.
ارسال لینک های دانلود به ایمیل شما
الگوریتم Random Forest یا جنگل تصادفی یکی از الگوریتمهای پرکاربرد در حوزه یادگیری ماشین است که از مجموعهای از چندین درخت تصمیم تشکیل میشود. در این روش به جای آنکه تنها از یک درخت تصمیم برای پیشبینی استفاده شود، چندین درخت تصمیم بر روی زیرمجموعههای مختلفی از دادههای ورودی آموزش داده میشوند و در نهایت خروجی این درختها برای رسیدن به یک نتیجه نهایی با یکدیگر ترکیب میشود.
یکی از مهمترین مزیتهای Random Forest نسبت به یک درخت تصمیم منفرد، توانایی آن در افزایش دقت پیشبینی و کاهش احتمال Overfitting یا بیشبرازش است. استفاده همزمان از چندین درخت باعث میشود مدل وابستگی کمتری به یک ساختار خاص از دادههای آموزشی داشته باشد و در بسیاری از مسائل بتواند عملکرد مناسبی بر روی دادههای جدید ارائه دهد.
Random Forest را میتوان برای مسائل مختلف یادگیری ماشین، بهخصوص دستهبندی (Classification) و رگرسیون (Regression) مورد استفاده قرار داد. این الگوریتم در پروژههایی که تعداد متغیرهای ورودی زیاد است یا روابط میان دادهها پیچیده هستند نیز میتواند انتخاب مناسبی باشد.
در اینترنت پیادهسازیها و کدهای مختلفی برای Random Forest وجود دارد. ما تعدادی از این کدها را بررسی و آزمایش کردهایم و یکی از پیادهسازیهای مناسب را برای استفاده در MATLAB انتخاب کردهایم. در این فیلم آموزشی نحوه استفاده از این کد به صورت عملی و با استفاده از چندین مثال تشریح میشود تا کاربر بتواند پس از مشاهده آموزش، از Random Forest در پروژههای خود استفاده کند.
تمرکز اصلی این دوره بر برنامهنویسی و پیادهسازی Random Forest در متلب است. بنابراین مطالب تئوری مربوط به Random Forest به صورت مختصر مطرح میشوند و بخش عمده آموزش به نحوه آمادهسازی دادهها، اجرای الگوریتم، آموزش مدل، انجام پیشبینی و بررسی نتایج اختصاص دارد.
در طول آموزش تلاش میشود روند استفاده از Random Forest از دید یک پروژه عملی بررسی شود. به این معنی که ابتدا دادههای مورد نیاز برای الگوریتم آماده میشوند، سپس مدل Random Forest با استفاده از دادههای آموزشی ساخته شده و در ادامه از مدل آموزشیافته برای پیشبینی خروجی دادههای جدید استفاده میشود.
از جمله مفاهیمی که در هنگام کار با Random Forest اهمیت دارند میتوان به تعداد درختها، دادههای آموزش و تست، ویژگیهای ورودی، خروجی مدل و ارزیابی نتایج پیشبینی اشاره کرد. آشنایی عملی با این موارد به شما کمک میکند بتوانید کد ارائهشده را متناسب با دادهها و مسئله مورد نظر خود تغییر دهید.
یکی دیگر از کاربردهای مهم Random Forest، بررسی اهمیت متغیرها یا ویژگیهای ورودی است. در بسیاری از پروژههای دادهکاوی و یادگیری ماشین، علاوه بر پیشبینی خروجی، میخواهیم بدانیم کدام متغیرهای ورودی تأثیر بیشتری در نتیجه مدل دارند. روشهای مبتنی بر Random Forest میتوانند در تحلیل اهمیت ویژگیها نیز مورد استفاده قرار گیرند.
این آموزش برای چه افرادی مناسب است؟
این فیلم آموزشی برای دانشجویان، پژوهشگران و افرادی مناسب است که قصد دارند از الگوریتم Random Forest در MATLAB برای انجام پروژههای دانشگاهی، پایاننامه، مقاله یا پروژههای عملی یادگیری ماشین استفاده کنند.
اگر با مبانی MATLAB آشنایی دارید و میخواهید بدون درگیر شدن بیش از حد با جزئیات پیچیده تئوری، نحوه اجرای یک پروژه Random Forest را در محیط متلب یاد بگیرید، این آموزش میتواند برای شما مناسب باشد.
در این آموزش با چه مواردی آشنا میشوید؟
- آشنایی کلی با الگوریتم Random Forest
- تفاوت استفاده از یک درخت تصمیم و مجموعهای از درختها
- مفهوم جنگل تصادفی در یادگیری ماشین
- آمادهسازی دادهها برای استفاده در الگوریتم
- نحوه استفاده از کد Random Forest در MATLAB
- تعیین دادههای ورودی و خروجی
- آموزش مدل Random Forest
- استفاده از مدل آموزشیافته برای پیشبینی
- بررسی خروجی و نتایج الگوریتم
- استفاده از دادههای آموزش و تست
- آشنایی با پارامترهای مهم الگوریتم
- بررسی اهمیت ویژگیهای ورودی
- استفاده از Random Forest در پروژههای دستهبندی و پیشبینی
- نحوه تغییر و استفاده از کد برای دادههای یک پروژه جدید
هدف اصلی این فیلم آموزشی آن است که پس از مشاهده آن بتوانید ساختار کد Random Forest را درک کرده و از آن برای پیادهسازی الگوریتم جنگل تصادفی بر روی دادههای پروژه خود در MATLAB استفاده کنید.
پیش نمایش قسمت اول :
پیش نمایش قسمت دوم:
ghader –
مررررررررررررررررسی
نظری –
سلام. عالی
الهام –
ممنونم از رسیدگی و پاسخ گویی سریع شما.
خسروی –
سلام
در تشخیص چهره جگونه می توان از تلفیق شبکه عصبی و random forest استفاده کرد؟
ایران متلب –
با سلام و تشکر از شما
شبکه عصبی و جنگل تصادفی هر دو کارشون دسته بندی می باشد. هر یک را می تونید در انتهای فلوچارت تشخیص چهره استفاده کنید.
اما چگونگی تلفیق این دو باید خودتون ایده جدیدی ارائه کنید که مثلا در یکی از مراحل شبکه عصبی از جنگل تصادفی استفاده شود. یا از روشهایی که در کتابهای شناسایی الگو و داده کاوی برای استفاده همزمان از دو دسته بندی کننده مراجعه کنید. مثلا می توانید تعداد دسته بندی کننده ها را فرد قرار دهید (3 تا مثلا) بعد از هر 3 در خروجی استفاده کنید و کلاسی را انتخاب کنید که هر 3 تشخیص می دهند یا 2 تا تشخیص می دهند. که به عنوان voting هم شناخته می شود.
توضیح بیشتر
م –
سلام
خوب بود تشکر
حامد –
سلام مفید بود
رامین –
با سلام .آیا در این فیلم آموزشی قسمت کلاسیفیکیشن رندوم فارست اموزش داده میشود یا رگرسیون؟
ایران متلب –
با سلام
یکی از کاربردهای اصلی رندم فارست برای دسته بندی یا classification می باشد که در این آموزش پوشش داده شده است.
مهسا –
سلام، شامل سورس کدها هم هست؟
ایران متلب –
سلام
بله سورس کدها جنگل تصادفی را هم شامل می شود.
علیرضا –
سلام شما میتونید random forest را با pso ترکیب کنید؟
ایران متلب –
سلام
ترکیب این دو الگوریتم random forest و particle swarm optimization کار ساده ای است. کافی است یکی از پارامترهای جنگل تصادفی را به عنوان متغییر بهینه سازی به pso بدهید.
مثالهایی مشابه از این کار در سایت ما :
خوشه بندی kmeans با الگوریتم ژنتیک
آموزش فارسی بهینه سازی تجمعی ذرات
بهینه سازی ماشین بردار پشتیبان با pso
احمدرضا بختیاری پور –
سلام. من این بسته از شما خریدم. میخوام dataset خودم بهش اعمال کنم. سایزش به صورت 224*217*512 با فرمت double هست. موقعی که اعمالش می کنم خیلی ارور میده.
ایران متلب –
سلام
خطا ها در متلب بسیار زیاد هستند. باید ببینید به چه دلیل خطا می دهد.
ممکن است داده هایی در dataset شما عددی نباشند و متلب چون عدد نیستند خطا می دهد.
مصطفی ثقفی –
با سلام. من این اموزش رو خریداری کردم و پرداخت هم موفقیت امیز بود بدلیل اجبار در کارم مجبور شدم تا دوباره خریداری کنم . اگر امکانش هست الان که من اموزش جنگل تصادفی رو دارم بجاش اموزش شبکه عصبی ویولت رو در اختیارم بگذارید ؟
با تشکر
ایران متلب –
با سلام
بله با پشتیانی تماس بگیرید.
صبا –
سلام
من بعد از نوشتن opts این ارور میدهد:
Undefined function ‘forestTrain’
for input arguments of type
‘struct’.
باید چکار کنم؟
لطفا جواب بدهید
ایران متلب –
سلام
این خطا به دلایل زیادی ممکن است رخ دهد.
مثلا تابع forestTrain در مسیر متلب قرار نداشته باشد.
یا این تابع ورودی struct قبول نمی کند و شما به اشتباه دارد بهش می دهید.
مهدي –
با سلام
اين مجموعه براي رگرسيون هم قابل استفاده هست؟
ایران متلب –
سلام
بله رندم فارست برای دسته بندی و رگرسیون هم استفاده می شود.