آموزش جنگل تصادفی با استفاده از R - پیش بینی ساییدگی کارکنان
Random Forest using R - Prediction of Employee Attrition
- در حال بارگزاری، لطفا صبر کنید...
جنگل تصادفی در پایتون روشی دقیق برای پیش‌بینی نتایج با استفاده از زیرمجموعه‌های داده، تقسیم از مجموعه داده‌های جهانی، با استفاده از شرایط چندگانه، جریان در درخت‌های تصمیم‌گیری متعدد با استفاده از داده‌های موجود ارائه می‌دهد و یک پلت فرم مدل داده بدون نظارت کامل را ارائه می‌دهد. برای هر دو مورد طبقه بندی یا رگرسیون در صورت لزوم. این داده های با ابعاد بالا را بدون نیاز به هیچ گونه پیش پردازش یا تبدیل داده های اولیه مدیریت می کند و امکان پردازش موازی برای نتایج سریعتر را فراهم می کند. ویژگی منحصر به فرد جنگل تصادفی یادگیری تحت نظارت است. معنی آن این است که داده ها بر اساس شرایط به واحدهای متعدد تفکیک شده و به صورت درخت های تصمیم گیری چندگانه شکل می گیرند. این درخت‌های تصمیم دارای حداقل تصادفی (آنتروپی کم)، طبقه‌بندی منظم و برچسب‌گذاری شده برای جستجوها و اعتبارسنجی داده‌های ساختاریافته هستند. برای فعال کردن مدل‌های داده در درخت‌های تصمیم مختلف، آموزش کمی لازم است.
موفقیت Random Forest به اندازه مجموعه داده بستگی دارد. بیشتر بهتر. حجم زیاد داده ها منجر به پیش بینی دقیق نتایج جستجو و اعتبارسنجی می شود. حجم زیادی از داده ها باید به طور منطقی به زیرمجموعه های داده با استفاده از شرایطی تقسیم شود که به طور کامل همه ویژگی های داده را پوشش می دهد.
درخت‌های تصمیم باید با استفاده از این زیرمجموعه‌های داده‌ها و شرایط فهرست‌شده ساخته شوند. این درختان باید عمق کافی برای داشتن گره هایی با تصادفی حداقل یا صفر داشته باشند و آنتروپی آنها به صفر برسد. گره ها باید برچسب ها را به وضوح داشته باشند و اجرای آن از طریق گره ها و اعتبارسنجی هر داده ای باید آسان باشد.
ما باید تا آنجا که ممکن است درخت های تصمیم گیری را با شرایط کاملاً تعریف شده و جریان مسیر درست یا نادرست بسازیم. گره های پایانی در هر درخت تصمیم باید به یک مقدار منحصر به فرد منجر شوند. هر درخت تصمیم آموزش داده می شود و نتایج به دست می آید. جنگل تصادفی به دلیل توانایی‌اش برای بازگرداندن نتایج دقیق حتی در صورت از دست دادن داده‌ها به دلیل مدل داده قوی و رویکرد زیرمجموعه شناخته شده است.
هر جستجو یا اعتبارسنجی باید همه درخت های تصمیم را پوشش دهد و نتایج خلاصه می شوند. اگر هر داده ای گم شده باشد، مسیر واقعی آن شرط در نظر گرفته می شود و جریان جستجو تا پایان تمام گره ها ادامه می یابد. مقدار اکثریت نتایج در مورد روش طبقه‌بندی و مقدار متوسط به عنوان نتیجه در مورد روش رگرسیون در نظر گرفته می‌شود.
معرفی Introduction
-
مقدمه ای بر پیش بینی ساییدگی کارکنان با استفاده از جنگل تصادفی Introduction to Employee Attrition Prediction Using Random Forest
بررسی اجمالی Overview
-
بررسی اجمالی تصادفی جنگل Random Forest Overview
-
بررسی اجمالی تصادفی جنگل ادامه Random Forest Overview Continue
توضیح متغیر Variable Explanation
-
توضیح متغیر Variable Explanation
-
توضیح متغیر ادامه دهید Variable Explanation Continue
مراحل قبل از مدل سازی Pre Modelling Steps
-
مراحل قبل از مدل سازی Pre Modelling Steps
-
مراحل پیش مدلسازی ادامه دارد Pre Modelling Steps Continue
مدل-توسعه-تنظیم Model-Development-Tuning
-
توسعه مدل Model Development
-
توسعه مدل ادامه دارد Model Development Continue
-
تیونینگ مدل Model Tuning
-
تیونینگ مدل ادامه دارد Model Tuning Continue
-
تنظیم و اعتبارسنجی Tuning and Validation
https://donyad.com/d/e13938
EDU CBA
مهارت های دنیای واقعی را بصورت آنلاین بیاموزید EDUCBA یک ارائه دهنده جهانی آموزش مبتنی بر مهارت است که نیازهای اعضا را در بیش از 100 کشور برطرف می کند. ما بزرگترین شرکت فناوری پیشرفته در آسیا با نمونه کارهای 5498+ دوره آنلاین ، 205+ مسیر یادگیری ، 150+ برنامه شغل محور (JOPs) و 50+ بسته دوره حرفه ای شغلی هستیم که توسط متخصصان برجسته صنعت آماده شده است. برنامه های آموزشی ما برنامه های مبتنی بر مهارت شغلی است که توسط صنعت در سراسر امور مالی ، فناوری ، تجارت ، طراحی ، داده و فناوری جدید و آینده مورد نیاز صنعت است.
نمایش نظرات
نظری ارسال نشده است.