الغابة العشوائية

كيف تعمل الغابة العشوائية

الفكرة الأساسية وراء الغابة العشوائية هي إدخال العشوائية لبناء "غابة" من أشجار القرار غير المترابطة. يتم إدخال هذه العشوائية بطريقتين أساسيتين:

1. التجميع التمهيدي (التجميع التجميعي): يتم تدريب كل شجرة فردية في الغابة على عينة عشوائية مختلفة من بيانات التدريب. تتم عملية أخذ العينات هذه مع الاستبدال، مما يعني أنه يمكن استخدام بعض نقاط البيانات عدة مرات في عينة واحدة، بينما قد لا يتم استخدام نقاط أخرى على الإطلاق. تُعرف هذه التقنية رسميًا باسم تجميع التمهيد.
2. عشوائية الميزات: عند تقسيم عقدة في شجرة القرار، لا تبحث الخوارزمية عن أفضل تقسيم بين جميع الميزات. بدلاً من ذلك، فإنها تختار مجموعة فرعية عشوائية من الميزات وتجد التقسيم الأمثل فقط ضمن تلك المجموعة الفرعية. يضمن ذلك تنوع الأشجار ويمنع هيمنة بعض الميزات القوية على جميع الأشجار.

من خلال الجمع بين التنبؤات من هذه الأشجار المتنوعة، يقلل النموذج من التباين ويحقق عادةً أداءً أفضل مما يمكن أن تحققه أي شجرة بمفردها. تم تطوير هذه الخوارزمية من قبل ليو بريمان وأديل كاتلر وأصبحت أداة مفضلة للعديد من علماء البيانات.

التطبيقات الواقعية

تُستخدم الغابة العشوائية على نطاق واسع في العديد من الصناعات نظرًا لبساطتها وفعاليتها، خاصةً مع البيانات المجدولة أو المنظمة.

• الخدمات المالية: تستخدم البنوك والمؤسسات المالية نماذج الغابة العشوائية لتقييم مخاطر الائتمان. فمن خلال تحليل بيانات العميل مثل الدخل وتاريخ القرض والعمر، يمكن للنموذج التنبؤ باحتمالية تخلف العميل عن سداد القرض. كما أنها أداة رئيسية في الذكاء الاصطناعي في مجال التمويل للكشف عن معاملات بطاقات الائتمان الاحتيالية.
• الرعاية الصحية: في المجال الطبي، يمكن استخدام الغابة العشوائية في تشخيص الأمراض وتقسيم المرضى إلى طبقات. على سبيل المثال، يمكنها تحليل سجلات المرضى وأعراضهم للتنبؤ بما إذا كان المريض مصابًا بمرض معين، مما يساعد الأطباء في إجراء تشخيصات أكثر دقة. يمكنك قراءة المزيد عن التطبيقات المماثلة في نظرتنا العامة عن الذكاء الاصطناعي في مجال الرعاية الصحية.
• التجارة الإلكترونية: يستخدم بائعو التجزئة عبر الإنترنت الغابة العشوائية لإنشاء أنظمة توصية تقترح المنتجات على المستخدمين بناءً على سجل التصفح وأنماط الشراء وسلوكيات المستخدم الأخرى.

العلاقة بالنماذج الأخرى

من المهم فهم كيفية ارتباط الغابة العشوائية بالنماذج الأخرى في مجال الذكاء الاصطناعي.

• أشجار القرار: الغابة العشوائية هي في الأساس مجموعة من أشجار القرار. في حين أن شجرة القرار الواحدة سهلة التفسير، إلا أنها عرضة للإفراط في ملاءمة بيانات التدريب. تتغلب الغابة العشوائية على هذا القيد من خلال حساب متوسط نتائج العديد من الأشجار، مما يؤدي إلى إنشاء نموذج أكثر عمومية.
• خوارزميات التعزيز: على غرار الغابة العشوائية، فإن الخوارزميات مثل XGBoost وLightGBM هي أيضًا أساليب تجميعية تعتمد على أشجار القرار. ومع ذلك، فإنها تستخدم استراتيجية مختلفة تسمى التعزيز، حيث يتم بناء الأشجار بالتتابع، حيث تحاول كل شجرة جديدة تصحيح أخطاء الشجرة السابقة. في المقابل، تقوم الغابة العشوائية ببناء أشجارها بشكل مستقل ومتوازٍ.
• نماذج التعلم العميق: تعتبر الغابة العشوائية فعالة للغاية بالنسبة للمشاكل ذات البيانات المنظمة. ومع ذلك، بالنسبة للبيانات غير المهيكلة مثل الصور والنصوص، فإن نماذج التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs) أو محولات الرؤية (ViT) تتفوق بكثير. في مجال الرؤية الحاسوبية، يتم التعامل مع مهام مثل اكتشاف الكائنات أو تجزئة المثيل بشكل أفضل من خلال البنى المتخصصة مثل Ultralytics YOLO11.

التقنيات والأدوات

توفر العديد من مكتبات التعلم الآلي الشائعة تطبيقات لخوارزمية الغابة العشوائية. تقدم مكتبة Scikit-learn، وهي مكتبة بايثون مستخدمة على نطاق واسع، تطبيقاً شاملاً للغابات العشوائية مع خيارات لضبط المعلمات 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 حلول Ultralytics المتنوعة التي تستفيد من نماذج YOLO لمشاكل الذكاء الاصطناعي للرؤية في العالم الحقيقي.