آموزش الگوریتم جنگل تصادفی با استفاده از پایتون
Random Forest Algorithm using Python
یادگیری ماشینی یک رشته علمی است که ساخت و مطالعه الگوریتم هایی را بررسی می کند که می توانند از داده ها یاد بگیرند. چنین الگوریتم‌هایی با ساختن یک مدل از ورودی‌های نمونه و استفاده از آن برای پیش‌بینی یا تصمیم‌گیری، به جای پیروی از دستورالعمل‌های برنامه کاملاً ثابت عمل می‌کنند. یادگیری ماشینی ارتباط نزدیکی با آمار محاسباتی دارد و اغلب با آن همپوشانی دارد. رشته‌ای که در زمینه پیش‌بینی نیز تخصص دارد.
از طریق این آموزش می‌خواهیم نحوه عملکرد الگوریتم جنگل تصادفی و چندین مورد مهم دیگر در مورد آن را بیاموزیم و به کار ببریم.
این دوره شامل موارد زیر است؛
1 ) داده ها را در پلتفرم استخراج کنید.
2) تبدیل داده ها را اعمال کنید.
3) DatTa را به مجموعه داده های آموزشی و آزمایشی تقسیم کنید.
4) مدل جنگل تصادفی ساخته شده در مجموعه داده های آموزشی.
5) با استفاده از مجموعه داده های آزمایشی پیش بینی کنید.
6) عملکرد مدل را اعتبار سنجی کنید.
7) عملکرد مدل را با استفاده از جنگل تصادفی بهبود بخشید.
>8) پیش بینی و اعتبارسنجی عملکرد مدل.
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 داده‌های ابعادی بالا را بدون نیاز به پیش‌پردازش یا تبدیل داده‌های اولیه مدیریت می‌کند و امکان پردازش موازی برای نتایج سریع‌تر را فراهم می‌کند.
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.
معرفی Introduction
-
معرفی و شناخت مجموعه داده SONAR Introduction and Understanding of SONAR Dataset
شروع شدن Getting Started
-
یک فایل CSV بارگیری کنید Load a CSV File
-
بارگیری یک فایل CSV ادامه دهید Load a CSV File Continue
-
یک مجموعه داده را به k Folds تقسیم کنید Split a dataset into k Folds
-
یک الگوریتم را با استفاده از تقسیم اعتبارسنجی متقاطع ارزیابی کنید Evaluate an Algorithm using a Cross Validation Split
-
شاخص Gini را برای مجموعه داده های تقسیم شده محاسبه کنید Calculate the Gini index for a Split Dataset
-
بهترین نقطه تقسیم را برای مجموعه داده انتخاب کنید Select the Best Split Point for a Dataset
مقدار گره و نمونه فرعی Node Value and Subsample
-
یک مقدار گره پایانی ایجاد کنید Create a Terminal Node Value
-
درخت تصمیم بسازید Build a Decision Tree
-
یک نمونه فرعی تصادفی ایجاد کنید Create a Random Subsample
-
الگوریتم جنگل تصادفی Random Forest Algorithm
-
الگوریتم جنگل تصادفی را روی مجموعه داده سونار آزمایش کنید Test the Random Forest Algorithm on Sonar Dataset
-
الگوریتم ارزیابی Evaluate Algorithm
![آموزش ساخت برنامه های F# [ویدئو]](https://donyad.com/course/getimg/f328a3f0-f06a-4dba-93d6-9f64628e6325.jpg "آموزش ساخت برنامه های F# [ویدئو]")
https://donyad.com/d/457dde
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