الغابة العشوائية هي طريقة تعلم جماعية قوية ومستخدمة على نطاق واسع في التعلم الآلي (ML). وهي تعمل من خلال إنشاء العديد من أشجار القرار أثناء التدريب وإخراج الفئة التي تمثل نمط الفئات (التصنيف) أو متوسط التنبؤ (الانحدار) للأشجار الفردية. وباعتبارها خوارزمية تعلّم خاضعة للإشراف، فهي تستفيد من بيانات التدريب المصنفة لتعلم الأنماط والتنبؤات. تتمثل الفكرة الأساسية، التي قدمها ليو بريمان، في الجمع بين تنبؤات العديد من الأشجار المترابطة لتحقيق دقة ومتانة أعلى مقارنةً بشجرة قرار واحدة، مما يقلل بشكل كبير من مخاطر الإفراط في التهيئة.
كيف تعمل الغابة العشوائية
تبني الخوارزمية مجموعة أو "غابة" من أشجار القرار باستخدام تقنيتين رئيسيتين لضمان التنوع بين الأشجار:
- التكييس (تجميع التمهيد): يتم تدريب كل شجرة في الغابة على عينة عشوائية مختلفة من مجموعة البيانات الأصلية، يتم سحبها مع الاستبدال. هذا يعني أنه قد يتم استخدام بعض نقاط البيانات عدة مرات في مجموعة تدريب شجرة واحدة، بينما قد لا يتم استخدام نقاط بيانات أخرى على الإطلاق. تساعد هذه العملية على تقليل التباين.
- عشوائية الميزات: عند تقسيم عقدة أثناء بناء الشجرة، تأخذ الغابة العشوائية في الاعتبار مجموعة فرعية عشوائية فقط من الميزات المتاحة، بدلاً من تقييم جميع الميزات. يؤدي هذا إلى تزيين الأشجار بشكل أكبر، مما يجعل المجموعة أكثر قوة.
بمجرد أن يتم تدريب الغابة، فإن إجراء تنبؤ لنقطة بيانات جديدة يتضمن تمريرها على كل شجرة في الغابة. بالنسبة لمهام التصنيف، يتم تحديد التنبؤ النهائي من خلال تصويت الأغلبية بين جميع الأشجار. بالنسبة لمهام الانحدار، يكون التنبؤ النهائي هو متوسط التنبؤات من جميع الأشجار.
المفاهيم والمزايا الرئيسية
ينطوي فهم الغابة العشوائية على عدة مفاهيم أساسية:
- أشجار القرار: لبنة البناء الأساسية. تستفيد الغابة العشوائية من بساطة الأشجار الفردية وقابليتها للتفسير مع التخفيف من ميلها إلى الإفراط في التكيّف.
- طريقة التجميع: تجمع بين نماذج متعددة (أشجار) لتحسين الأداء الكلي، وهي استراتيجية شائعة في التعلم الآلي.
- ضبط البارامتر الفائق: تحتاج المعلمات مثل عدد الأشجار في الغابة وعدد الميزات التي يتم أخذها في الاعتبار في كل تقسيم إلى تعديل دقيق، وغالبًا ما يتم ذلك من خلال تقنيات مثل التحقق المتقاطع أو أدلة ضبط المعلمات الفائقة المتخصصة.
- أهمية الميزة: يمكن للغابات العشوائية تقدير أهمية كل ميزة في عمل التنبؤات، مما يوفر رؤى قيمة في البيانات. وغالبًا ما يتم حساب ذلك بناءً على مقدار مساهمة الميزة في تقليل الشوائب في جميع الأشجار.
تشمل مزاياها الدقة التنبؤية العالية، والقوة في مواجهة الضوضاء والقيم المتطرفة، والتعامل الفعال مع مجموعات البيانات الكبيرة ذات السمات المتعددة، والآليات المدمجة لمنع الإفراط في التهيئة. ومع ذلك، يمكن أن يكون تدريبها مكثفًا من الناحية الحسابية مقارنةً بالنماذج الأبسط، وغالبًا ما تعتبر أقل قابلية للتفسير من شجرة القرار الواحدة.
التطبيقات الواقعية
الغابات العشوائية متعددة الاستخدامات وتستخدم في العديد من المجالات:
- النمذجة المالية: تستخدم البنوك الغابات العشوائية لتقييم مخاطر الائتمان، وتحديد احتمالية تخلف طالب القرض عن السداد بناءً على تاريخه المالي وخصائصه. كما يتم تطبيقها في أنظمة الكشف عن الاحتيال. استكشف المزيد عن الذكاء الاصطناعي في المجال المالي.
- تشخيص الرعاية الصحية: في تحليل الصور الطبية، يمكن أن تساعد الغابات العشوائية في تصنيف الصور الطبية (مثل فحوصات التصوير بالرنين المغناطيسي) للكشف عن الحالات الشاذة أو التنبؤ بنتائج المرضى بناءً على البيانات السريرية، مما يساهم في تشخيص أسرع وأكثر دقة. تعرّف على الذكاء الاصطناعي في حلول الرعاية الصحية.
- التجارة الإلكترونية: تُستخدم في أنظمة التوصيات للتنبؤ بتفضيلات المستخدم واقتراح المنتجات.
- الزراعة: توقع غلة المحاصيل بناءً على العوامل البيئية، والمساهمة في حلول الذكاء الاصطناعي في الزراعة.
مقارنة مع النماذج الأخرى
- مقابل أشجار القرار: في حين أن الغابة العشوائية مبنية من أشجار القرار، إلا أنها تجمع العديد من الأشجار للتغلب على التباين الكبير والمشاكل المتعلقة بالملاءمة المفرطة الشائعة في الأشجار المفردة.
- مقابل التعزيز التدرجي (XGBoost/LightGBM): خوارزميات مثل XGBoost وLightGBM هي أيضًا مجموعات قائمة على الأشجار، ولكنها تبني الأشجار بالتتابع، حيث تحاول كل شجرة جديدة تصحيح أخطاء الأشجار السابقة. تقوم الغابة العشوائية ببناء الأشجار بشكل مستقل ومتوازٍ. يمكن أن تحقق طرق التعزيز دقة أعلى في بعض الأحيان، ولكنها قد تتطلب ضبطًا أكثر دقة للمعلمات.
- مقابل التعلّم العميق: تتفوق الغابات العشوائية عادةً على البيانات المنظمة أو المجدولة. بالنسبة للبيانات غير المهيكلة مثل الصور أو التسلسلات، عادةً ما تكون نماذج التعلّم العميق (DL) مثل الشبكات العصبية التلافيفية (CNNs) أو المحولات هي المفضلة عادةً. غالبًا ما تعتمد مهام مثل اكتشاف الكائنات أو تجزئة الصور على نماذج مثل Ultralytics YOLOوالتي يمكن تدريبها وإدارتها باستخدام منصات مثل Ultralytics HUB.
التقنيات والأدوات
توفر العديد من مكتبات التعلم الآلي الشائعة تطبيقات لخوارزمية الغابة العشوائية. Scikit-learn، وهي خوارزمية مستخدمة على نطاق واسع Python المستخدمة على نطاق واسع، توفر تطبيقًا شاملاً لخوارزمية الغابة العشوائية مع خيارات لضبط المعرفات المفرطة. على الرغم من قوتها في العديد من مهام تعلّم الآلة التقليدية، إلا أنه بالنسبة لتطبيقات الرؤية الحاسوبية المتطورة، غالبًا ما تكون البنى والمنصات المتخصصة التي تدعم دورة حياة خوارزمية الغابة العشوائية ضرورية. استكشف حلولUltralytics المتنوعة التي تستفيد من نماذج YOLO لمشاكل الذكاء الاصطناعي للرؤية في العالم الحقيقي.
