Introduction to Random Forest Algorithm
বেসিক সিদ্ধান্ত ট্রি ধারণা
সিদ্ধান্ত ভিত্তিক সিদ্ধান্তটি নিয়ম ভিত্তিক ব্যবস্থায় বেশি । লক্ষ্য এবং বৈশিষ্ট্য সহ প্রশিক্ষণ ডেটাসেট দেওয়া, সিদ্ধান্ত ট্রি অ্যালগোরিদম কিছু নিয়ম সঙ্গে আসে । পরীক্ষার ডেটাসেটে পূর্বাভাসটি সম্পাদন করতে একই সেট বিধিগুলি ব্যবহার করা যেতে পারে।
মনে করুন আপনি ভবিষ্যদ্বাণী করতে চান যে আপনার মেয়েটি সদ্য মুক্তিপ্রাপ্ত অ্যানিমেশন চলচ্চিত্রটি পছন্দ করবে বা না করবে। সিদ্ধান্ত গাছকে মডেল করতে আপনি ট্রেনিং ডেটাসেট ব্যবহার করবেন যেমন আপনার সিনেমাটি আগের সিনেমাগুলিতে পছন্দ হওয়া অ্যানিমেটেড কার্টুন চরিত্রগুলির মতো।
সুতরাং একবার আপনি লক্ষ্য সহ ডেটাসেটটি পাস করুন কারণ আপনার কন্যা সিনেমাটি পছন্দ করবে বা সিদ্ধান্তের শ্রেণিবদ্ধের কাছে নয়। সিদ্ধান্ত গাছ আপনার কন্যাকে নোডের মতো এবং পাতার নোডের মতো টার্গেটগুলি পছন্দ করে এমন নিয়মগুলি তৈরি করা শুরু করবে । মূল নোড থেকে পাতার নোডের পথ বিবেচনা করে। আপনি নিয়ম পেতে পারেন।
সাধারণ নিয়মটি হতে পারে যদি কোনও এক্স চরিত্র নেতৃস্থানীয় ভূমিকা পালন করে তবে আপনার কন্যাকে সিনেমা পছন্দ করবে। আপনি এই উদাহরণের ভিত্তিতে আরও কয়েকটি নিয়ম ভাবেন।
তারপরে ভবিষ্যদ্বাণী করা আপনার মেয়েটি সিনেমাটি পছন্দ করবে কিনা । আপনার মেয়েটি সদ্য মুক্তিপ্রাপ্ত সিনেমাটি পছন্দ করবে কি না সে সম্পর্কে ভবিষ্যদ্বাণী করতে আপনার কেবল সিদ্ধান্ত গাছ দ্বারা তৈরি করা নিয়মগুলি পরীক্ষা করা দরকার।
সিদ্ধান্ত নেওয়ার ক্ষেত্রে গাছের অ্যালগরিদম এই নোডগুলি গণনা করে নিয়মগুলি তৈরি করে তথ্য লাভ এবং গিনি সূচক গণনা ব্যবহার করে ঘটবে।
এলোমেলো অরণ্য অ্যালগরিদমে, রুট নোড গণনা করার জন্য তথ্য প্রাপ্তি বা গিনি সূচক ব্যবহার না করে রুট নোড সন্ধান এবং বৈশিষ্ট্য নোডগুলি বিভক্ত করার প্রক্রিয়া এলোমেলোভাবে ঘটবে। আসন্ন বিভাগে বিস্তারিত সন্ধান করবে।
এরপরে, আপনি শিখতে যাচ্ছেন কেন এলোমেলো বন অ্যালগরিদম? যখন আমাদের সাথে খেলতে খেলতে অন্যান্য শ্রেণিবদ্ধকরণ অ্যালগরিদম হয়।
কেন এলোমেলো বন অ্যালগরিদম
কেন এলোমেলো বন অ্যালগরিদম ঠিক করার জন্য। আমি আপনাকে নীচের সুবিধা দিচ্ছি।
- একই র্যান্ডম ফরেস্ট অ্যালগরিদম বা এলোমেলো বন শ্রেণিবদ্ধকারী উভয় শ্রেণিবিন্যাস এবং রিগ্রেশন টাস্কের জন্য ব্যবহার করতে পারে।
- এলোমেলো বন শ্রেণিবদ্ধকারী অনুপস্থিত মানগুলি পরিচালনা করবে ।
- যখন আমাদের বনে আরও গাছ থাকে, এলোমেলো বন শ্রেণিবদ্ধকারী মডেলটিকে বেশি মানায় না।
- বিভাগীয় মানগুলির জন্যও এলোমেলো বন শ্রেণিবদ্ধকারীকে মডেল করতে পারে।
এই নিবন্ধটির এলোমেলো বন অ্যালগরিদম সুবিধা বিভাগে এই সুবিধাগুলি নিয়ে আলোচনা করবে। অন্যান্য শ্রেণিবদ্ধকরণ অ্যালগরিদমের তুলনায় এলোমেলো বন অ্যালগরিদমের উপরের সুবিধাগুলি বিবেচনা না করা পর্যন্ত।
এলোমেলো বন অ্যালগরিদম বাস্তব জীবনের উদাহরণ
র্যান্ডম বন উদাহরণ
আপনি এলোমেলো বন অ্যালগরিদম সম্পর্কে প্রযুক্তিগত বিশদ চালনা করার আগে। আসুন এলোমেলো বন অ্যালগরিদমের সাধারণ লোকের ধরণটি বুঝতে একটি বাস্তব জীবনের উদাহরণ সন্ধান করা যাক।
ধরা যাক ম্যাডি কোনওভাবেই তার অফিস থেকে 2 সপ্তাহের ছুটি পেয়েছে। তিনি তার 2 সপ্তাহ আলাদা জায়গায় ভ্রমণ করে কাটাতে চান। তিনি নিজের পছন্দ মতো জায়গায় যেতে চান।
তাই তিনি তাঁর সেরা বন্ধুকে তার পছন্দ করা স্থানগুলি সম্পর্কে জিজ্ঞাসা করার সিদ্ধান্ত নিয়েছেন । তারপরে তার বন্ধু তার অতীত ভ্রমণ সম্পর্কে জিজ্ঞাসা শুরু করে। এটি ঠিক যেমন তাঁর সেরা বন্ধু জিজ্ঞাসা করবেন, আপনি X জায়গাটি দেখেছেন তা কি পছন্দ হয়েছিল?
ম্যাডির দেওয়া উত্তরগুলির উপর ভিত্তি করে ম্যাডির পছন্দ মতো জায়গাটির প্রস্তাব দেওয়া তার সেরা শুরু। এখানে তার সেরা ম্যাডির দেওয়া উত্তর দিয়ে সিদ্ধান্ত গাছ গঠন করেছিলেন।
তার সেরা বন্ধু ম্যাডিকে বন্ধু হিসাবে তার সেরা স্থানের প্রস্তাব দিতে পারে। মডেলটি তাদের বন্ধুত্বের ঘনিষ্ঠতায় পক্ষপাতদুষ্ট হবে । তাই তিনি সিদ্ধান্ত নিয়েছিলেন আরও কয়েকজন বন্ধুকে তাঁর পছন্দ মতো সেরা জায়গার জন্য পরামর্শ দিতে।
এখন তার বন্ধুরা কিছু এলোমেলো প্রশ্ন জিজ্ঞাসা করেছিল এবং প্রত্যেকে ম্যাডির কাছে একটি জায়গার সুপারিশ করেছিল। এখন ম্যাডি তার বন্ধুদের কাছ থেকে যে জায়গাটি বেশি ভোটের স্থান তা দেখার চূড়ান্ত জায়গা হিসাবে বিবেচনা করেছিলেন।
উপরের ম্যাডি ট্রিপ পরিকল্পনায় দুটি প্রধান আকর্ষণীয় অ্যালগরিদম সিদ্ধান্ত গাছ অ্যালগরিদম এবং এলোমেলো বন অ্যালগরিদম ব্যবহৃত হয়েছে। আমি আশা করি আপনি এটি ইতিমধ্যে খুঁজে পেয়েছেন। যাইহোক, আমি আবার এটি হাইলাইট করতে চাই।
সিদ্ধান্ত গাছ:
করার সুপারিশ Mady সবচেয়ে ভাল জায়গা, তার সবচেয়ে ভালো বন্ধু কিছু প্রশ্ন জিজ্ঞাসা। ম্যাডির দেওয়া উত্তরের ভিত্তিতে তিনি একটি জায়গার সুপারিশ করেছিলেন। এটি সিদ্ধান্ত গাছ অ্যালগরিদম পদ্ধতির হয়। এটি কেন সিদ্ধান্তের অ্যালগোরিদম পদ্ধতির তা ব্যাখ্যা করবে।
ম্যাডি ফ্রেন্ড নিয়ম তৈরি করতে ম্যাডির দেওয়া উত্তরগুলি ব্যবহার করে। পরে তিনি তৈরি নিয়মগুলি ব্যবহার করেছিলেন ম্যাডিটি পছন্দ করবে এমন সর্বোত্তম জায়গার প্রস্তাব দেওয়ার জন্য। এই নিয়মগুলি হতে পারে, প্রচুর গাছ বা জলপ্রপাতের সাথে ম্যাডির মতো জায়গা .. ইত্যাদি
উপরোক্ত পদ্ধতির মধ্যে ম্যাডি সেরা বন্ধু হ'ল সিদ্ধান্ত গাছ decision ভোট (প্রস্তাবিত স্থান) সিদ্ধান্ত গাছের পাতা (লক্ষ্য শ্রেণি)। কোনও একক সিদ্ধান্তের গাছ ব্যবহার করে প্রযুক্তিগত উপায়ে একক ব্যক্তি এই লক্ষ্যটি চূড়ান্ত করেন।
র্যান্ডম ফরেস্ট অ্যালগরিদম:
অন্য ক্ষেত্রে যখন ম্যাডি তার বন্ধুদের দেখার জন্য সবচেয়ে ভাল জায়গাটি সুপারিশ করতে বলেছিলেন। প্রতিটি বন্ধু তাকে বিভিন্ন প্রশ্ন জিজ্ঞাসা করেছিল এবং তাদের দেখার জন্য একটি জায়গা নিয়ে আসে। পরে ম্যাডি সমস্ত প্রস্তাবনা বিবেচনা করে ভোট গণনা করে। ভোটগুলি মূলত তার সমস্ত বন্ধুদের কাছ থেকে প্রস্তাবিত জায়গা থেকে জনপ্রিয় স্থানটি বাছাই করা।
ম্যাডি প্রতিটি প্রস্তাবিত স্থান বিবেচনা করবেন এবং যদি একই জায়গাটি অন্য কোনও জায়গার দ্বারা প্রস্তাবিত হয় তবে তিনি গণনা বাড়িয়ে তুলবেন। শেষে হাই কাউন্টের জায়গা যেখানে ম্যাডি যাবে।
এই ক্ষেত্রে, প্রস্তাবিত স্থান ( টার্গেট প্রেডিকশন ) অনেক বন্ধুরা বিবেচনা করে। প্রতিটি বন্ধু গাছ এবং মিলিত সমস্ত বন্ধু বন গঠন করবে। এই বনটি এলোমেলো বন। প্রতিটি বন্ধু যেমন সেরা জায়গা দেখার জন্য র্যান্ডম প্রশ্ন জিজ্ঞাসা করে।
এখন এলোমেলো বন অ্যালগরিদম কীভাবে কাজ করে তা বোঝার জন্য উপরের উদাহরণটি ব্যবহার করুন ।
র্যান্ডম ফরেস্ট অ্যালগরিদম কীভাবে কাজ করে
র্যান্ডম ফরেস্ট অ্যালগরিদম কীভাবে কাজ করে
আসুন এলোমেলো অরণ্য অ্যালগরিদমের জন্য সিডোকোডটি দেখুন এবং পরে আমরা এলোমেলো বন অ্যালগরিদমের প্রতিটি পদক্ষেপের মধ্য দিয়ে যেতে পারি।
এলোমেলো বন অ্যালগরিদমের সিউডোকোড দুটি পর্যায়ে বিভক্ত হতে পারে।
- এলোমেলো বন সৃষ্টি সিউডোকোড।
- সিউডোকোড তৈরি করা এলোমেলো বন শ্রেণিবদ্ধের কাছ থেকে ভবিষ্যদ্বাণী করতে ।
প্রথমে আসুন, এলোমেলো বন সৃষ্টি সিউডোকোড দিয়ে শুরু করা যাক
র্যান্ডম ফরেস্ট সিউডোকোড:
মোট "মি" বৈশিষ্ট্যগুলি থেকে এলোমেলোভাবে "কে" বৈশিষ্ট্যগুলি নির্বাচন করুন ।
- যেখানে কে << মি
মধ্যে "K" বৈশিষ্ট্য, নোড নিরূপণ "D" সেরা বিভক্ত বিন্দু ব্যবহার করে।
মধ্যে নোড বিভক্ত কন্যা নোড ব্যবহার শ্রেষ্ঠ বিভক্ত ।
1 টি থেকে 3 টি পদক্ষেপ পুনরাবৃত্তি করুন যতক্ষণ না "l" নোডের সংখ্যা পৌঁছেছে।
"এন" সংখ্যা গাছগুলি তৈরি করতে "এন" সংখ্যা বারের জন্য 1 থেকে 4 ধাপ পুনরাবৃত্তি করে বন তৈরি করুন ।
র্যান্ডম ফরেস্ট অ্যালগরিদমের শুরুটি মোট "মি" বৈশিষ্ট্যগুলির মধ্যে এলোমেলোভাবে "কে" বৈশিষ্ট্যগুলি নির্বাচন করে শুরু হয় । চিত্রটিতে, আপনি লক্ষ করতে পারেন যে আমরা এলোমেলোভাবে বৈশিষ্ট্য এবং পর্যবেক্ষণ নিচ্ছি।
পরবর্তী পর্যায়ে, আমরা সর্বোত্তম বিভক্ত পদ্ধতির মাধ্যমে রুট নোডটি খুঁজে পেতে এলোমেলোভাবে নির্বাচিত "কে" বৈশিষ্ট্যগুলি ব্যবহার করছি ।
পরবর্তী পর্যায়ে, আমরা একই সেরা বিভক্ত পদ্ধতির ব্যবহার করে কন্যা নোডগুলি গণনা করব। প্রথম 3 টি পর্যায় পর্যন্ত আমরা একটি রুট নোড এবং গাছের পাতার নোড হিসাবে লক্ষ্য না রেখে গাছ গঠন করি।
অবশেষে, আমরা "এন" এলোমেলোভাবে তৈরি গাছগুলি তৈরি করতে 1 থেকে 4 পর্যায়ের পুনরাবৃত্তি করি । এলোমেলোভাবে তৈরি এই গাছগুলি এলোমেলো বনভূমি রূপ দেয় ।
এলোমেলো বনের পূর্বাভাস সিউডোকোড:
প্রশিক্ষিত এলোমেলো অরণ্য অ্যালগরিদম ব্যবহার করে ভবিষ্যদ্বাণী করা নীচের সিউডোকোড ব্যবহার করে uses
পরীক্ষার বৈশিষ্ট্যগুলি গ্রহণ করে এবং ফলাফলটি পূর্বাভাস দেওয়ার জন্য প্রতিটি এলোমেলোভাবে তৈরি সিদ্ধান্ত গাছের নিয়ম ব্যবহার করে এবং পূর্বাভাসিত ফলাফল (লক্ষ্য) সংরক্ষণ করে
প্রতিটি পূর্বাভাস করা টার্গেটের জন্য ভোট গণনা করুন ।
এলোমেলো বন অ্যালগরিদম থেকে চূড়ান্ত পূর্বাভাস হিসাবে উচ্চ ভোট প্রাপ্ত ভবিষ্যদ্বাণী করা লক্ষ্যটিকে বিবেচনা করুন ।
প্রশিক্ষিত এলোমেলো অরণ্য অ্যালগরিদম ব্যবহার করে পূর্বাভাসটি সম্পাদন করতে আমাদের এলোমেলোভাবে তৈরি প্রতিটি গাছের নিয়মের মাধ্যমে পরীক্ষার বৈশিষ্ট্যগুলি পাস করতে হবে। মনে করা যাক আমরা এলোমেলো বন থেকে 100 এলোমেলো সিদ্ধান্ত গাছ তৈরি করেছি।
প্রতিটি এলোমেলো বন একই পরীক্ষার বৈশিষ্ট্যটির জন্য বিভিন্ন লক্ষ্য (ফলাফল) পূর্বাভাস দেয়। তারপরে প্রতিটি পূর্বাভাস লক্ষ্যভিত্তিক ভোট গণনা করা হবে। ধরা যাক, 100 টি এলোমেলো সিদ্ধান্তের গাছগুলি 3 টি অনন্য লক্ষ্য x, y, z এর পূর্বাভাস দিচ্ছে তবে এক্স এর ভোটগুলি 100 এলোমেলো সিদ্ধান্ত গাছের বাইরে আর কতগুলি গাছের পূর্বাভাস x নয়।
একইভাবে অন্যান্য 2 টার্গেটের জন্য (y, z)। এক্স যদি বেশি ভোট পাচ্ছে। ধরা যাক 100 টি এলোমেলো সিদ্ধান্ত গাছের মধ্যে 60 টি গাছ পূর্বাভাস দিচ্ছে যে লক্ষ্যমাত্রা x হবে। তারপরে চূড়ান্ত এলোমেলো বনটি পূর্বাভাস করা লক্ষ্য হিসাবে এক্সকে ফিরিয়ে দেয়।
ভোটদানের এই ধারণাটি সংখ্যাগরিষ্ঠ ভোটদান হিসাবে পরিচিত ।
এখন র্যান্ডম ফরেস্ট অ্যালগোরিদমের কয়েকটি অ্যাপ্লিকেশন সন্ধান করা যাক।
এলোমেলো বন অ্যালগরিদম অ্যাপ্লিকেশন
র্যান্ডম ফরেস্ট অ্যাপ্লিকেশন
বিস্তৃত বিভিন্ন অ্যাপ্লিকেশনগুলিতে এলোমেলোভাবে অ্যালগরিদম ব্যবহৃত হয়। এই নিবন্ধে, আমরা তাদের কয়েকটি ঠিকানা যাচ্ছি।
নীচে কয়েকটি অ্যাপ্লিকেশন দেওয়া হয়েছে যেখানে র্যান্ডম ফরেস্ট অ্যালগরিদম ব্যাপকভাবে ব্যবহৃত হয়।
- ব্যাংকিং
- ঔষধ
- পুঁজিবাজার
- ই-কমার্স
চলুন শুরু করা যাক ব্যাঙ্কিং সেক্টর দিয়ে।
1.Banking:
ব্যাংকিং খাতে, এলোমেলো বন অ্যালগরিদম দুটি প্রধান প্রয়োগে ব্যাপকভাবে ব্যবহৃত হয়। এগুলি বিশ্বস্ত গ্রাহক এবং প্রতারণামূলক গ্রাহকদের সন্ধানের জন্য।
অনুগত গ্রাহক বলতে বোঝায় যে গ্রাহক ভাল অর্থ প্রদান করেন তা নয়, যে গ্রাহক বিপুল পরিমাণ loanণ হিসাবে নিতে পারেন এবং theণের সুদটি যথাযথভাবে ব্যাংকে পরিশোধ করতে পারেন। যেহেতু ব্যাংকের বৃদ্ধি নিখুঁতভাবে অনুগত গ্রাহকদের উপর নির্ভর করে। গ্রাহকের বিবরণ ভিত্তিক অনুগত গ্রাহকের জন্য প্যাটার্নটি সন্ধান করতে ব্যাংক গ্রাহকদের ডেটা অত্যন্ত বিশ্লেষণ করেছে।
একইভাবে, যে গ্রাহক ব্যাংকের পক্ষে লাভজনক নয়, তাদের payingণ গ্রহণ এবং loanণের সুদের যথাযথভাবে প্রদান করা বা বহিরাগত গ্রাহকদের সন্ধানের মতো সনাক্ত করতে হবে। ব্যাংক যদি গ্রাহককে givingণ দেওয়ার আগে এই ধরণের গ্রাহক সনাক্ত করতে পারে। ব্যাংক এই ধরণের গ্রাহকদের theণ অনুমোদন না করার সুযোগ পাবে। এই ক্ষেত্রে, ব্যাঙ্কের পক্ষে লাভজনক নয় এমন গ্রাহকদের সনাক্ত করতে এলোমেলো বন অ্যালগরিদমও ব্যবহৃত হয়।
2.Medicine
ওষুধের ক্ষেত্রে, এলোমেলো বন অ্যালগরিদম ওষুধকে বৈধতা দেওয়ার জন্য উপাদানগুলির সঠিক সংমিশ্রণ সনাক্ত করতে ব্যবহৃত হয়। এলোমেলো অরণ্য অ্যালগরিদম রোগীর মেডিকেল রেকর্ড বিশ্লেষণ করে রোগ সনাক্তকরণেও সহায়ক helpful
স্টক মার্কেট
শেয়ারবাজারে, র্যান্ডম ফরেস্ট অ্যালগরিদম নির্দিষ্ট স্টক কিনে স্টক আচরণের পাশাপাশি প্রত্যাশিত ক্ষতি বা লাভকে চিহ্নিত করতে ব্যবহৃত হত।
4.E-কমার্স
ই-কমার্সে, এলোমেলো বন একই ধরণের গ্রাহকদের উপর ভিত্তি করে প্রস্তাবিত পণ্যের ভিত্তি পছন্দ করে এমন গ্রাহকের সম্ভাব্য ফণা সনাক্তকরণের জন্য কেবল সুপারিশ ইঞ্জিনের ক্ষুদ্র অংশে ব্যবহৃত হয় ।
খুব বড় ডেটাসেটে এলোমেলো বন অ্যালগরিদম চালানোর জন্য উচ্চ-প্রান্তের জিপিইউ সিস্টেমের প্রয়োজন। আপনার যদি কোনও জিপিইউ সিস্টেম না থাকে। আপনি সবসময় ক্লাউড হোস্টেড ডেস্কটপে মেশিন লার্নিং মডেলগুলি চালাতে পারেন । আপনি বিশ্বের যে কোনও কোণ থেকে বসে উচ্চ-মেশিন লার্নিং মডেলগুলি চালানোর জন্য ক্লাউডডেস্কটপলাইন প্ল্যাটফর্ম ব্যবহার করতে পারেন।
এলোমেলো বন অ্যালগরিদমের সুবিধা
অন্যান্য শ্রেণিবদ্ধকরণ অ্যালগরিদমের সাথে তুলনা করে র্যান্ডম ফরেস্ট অ্যালগরিদমের সুবিধা নীচে দেওয়া হয়েছে ।
- যখন আমরা কোনও শ্রেণিবিন্যাসের সমস্যাটিতে এলোমেলো অরণ্য অ্যালগরিদম ব্যবহার করি তখন অতিমাত্রায় সমস্যা কখনই আসবে না।
- একই র্যান্ডম ফরেস্ট অ্যালগরিদম উভয় শ্রেণিবদ্ধকরণ এবং রিগ্রেশন টাস্কের জন্য ব্যবহার করা যেতে পারে।
- র্যান্ডম ফরেস্ট অ্যালগরিদম বৈশিষ্ট্য ইঞ্জিনিয়ারিংয়ের জন্য ব্যবহার করা যেতে পারে।
- যার অর্থ প্রশিক্ষণ ডেটাসেট থেকে উপলব্ধ বৈশিষ্ট্যগুলির মধ্যে সর্বাধিক গুরুত্বপূর্ণ বৈশিষ্ট্যগুলি চিহ্নিত করা।
আমাদের অনুসরণ করো:
আমি আশা করি আপনি এই পোস্ট পছন্দ করবেন। আপনার যদি কোনও প্রশ্ন থাকে তবে নীচে নিচে মন্তব্য করুন। যদি আপনি চান যে আমি একটি নির্দিষ্ট বিষয়ে লিখি, তবে নীচের মন্তব্যে এটি আমাকে বলুন।
সম্পর্কিত তথ্য বিজ্ঞান কোর্স
- সিদ্ধান্ত গাছ এবং এলোমেলো বন অ্যালগরিদম গাইড।
- এনসেম্বল মেশিন লার্নিং: এলোমেলো বন এবং অ্যাডাবোস্ট।
- নতুনদের জন্য মেশিন লার্নিং শ্রেণিবদ্ধকরণ ধারণা cep
- মেশিন লার্নিং শ্রেণিবদ্ধকরণ কৌশল কেস স্টাডি প্রয়োগ করা।
0 comments:
Post a Comment