> ML_ALGORITHM // RANDOM-FORESTS_v1.0
Rastgele Ormanlar (Random Forest)
Bootstrap alt kümeleri üzerinde rastgele özellik örneklemesiyle yüzlerce bağıntısız karar ağacı inşa eden topluluk öğrenmesi yöntemi.
Tree & Rule Ensemblesclassical-supervisedmoderate-posthocmedium (1k-100k)
Tüm Algoritmalara DönHesaplama Karmaşıklığı
Eğitim (Training):O(n_trees * p_sample * n log n)
Çıkarım (Inference):O(n_trees * depth)
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Hayır
Bellek Ayak İzi:moderate
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:moderate-posthoc
Eğitim Verisi İhtiyacı:medium (1k-100k)
Açıklanabilirlik Değerlendirmesi
Topluluk tek bir ağaç gibi okunamaz; MDI, MDA ve SHAP değerlerine dayanır.
Uygun Görevler ve Desteklenen Modaliteler
Uygun Görevler:
binary classificationmulticlass classificationregressionanomaly detection
Desteklenen Modaliteler:
tabular
Uygulayıcı Kütüphaneler
Temel Literatür & Yayınlar
Random ForestsLeo Breiman (2001) · Machine Learning
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
- Varsayılan Gini öneminin yüksek kardinaliteli kategorik değişkenleri kayırması
- Budanmamış binlerce ağacı saklarken ortaya çıkan yüksek RAM tüketimi