الغابة العشوائية

Random Forest هو نظام تعلم مشرف قوي ومتعدد الاستخدامات خوارزمية تعلم خاضعة للإشراف خوارزمية تستخدم على نطاق واسع في كل من التصنيف و الانحدار . كما يوحي الاسم ، فإنها تبني "غابة" مكونة من عدة شجرة قرار خلال مرحلة التدريب. من خلال تجميع تنبؤات هذه الأشجار الفردية — عادةً باستخدام تصويت الأغلبية للتصنيف أو المتوسط للانحدار — يحقق النموذج دقة تنبؤية أعلى بشكل ملحوظ ودقة أعلى بكثير من أي شجرة مفردة. هذا النهج المجموعة بشكل فعال المزالق الشائعة في التعلم الآلي، مثل التكيف المفرط لبيانات بيانات التدريب، مما يجعله خيارًا موثوقًا لتحليل مجموعات البيانات المعقدة.

الآليات الأساسية

تعتمد فعالية الغابة العشوائية على مفهومين رئيسيين يضفيان التنوع بين الأشجار، مما يضمن ألا تتعلم جميعها الأنماط نفسها بالضبط:

• تجميع Bootstrap (Bagging): تولد الخوارزمية مجموعات فرعية متعددة من مجموعة البيانات الأصلية من خلال أخذ عينات عشوائية مع الاستبدال. يتم تدريب كل شجرة قرار على عينة مختلفة، مما يسمح نموذج التعلم الآلي (ML) من التعلم من وجهات نظر مختلفة لتوزيع البيانات الأساسية.
• عشوائية الميزات: بدلاً من البحث عن أهم ميزة عبر جميع المتغيرات المتاحة عند تقسيم عقدة، يبحث الخوارزمية عن أفضل ميزة بين مجموعة فرعية عشوائية من متجهات الميزات. وهذا يمنع السمات المهيمنة المحددة من السيطرة على النموذج، مما ينتج عنه متنبئ

تطبيقات واقعية

تعد Random Forest عنصراً أساسياً في تحليل البيانات بفضل قدرته على التعامل مع مجموعات البيانات الكبيرة ذات الأبعاد العالية.

• الذكاء الاصطناعي في مجال التمويل: تستفيد المؤسسات المالية من تقنية Random Forest في تقييم الجدارة الائتمانية وكشف الاحتيال. من خلال تحليل بيانات المعاملات السابقة وبيانات العملاء الديموغرافية، يمكن للنموذج تحديد الأنماط الدقيقة التي تشير إلى نشاط احتيالي أو تقييم مخاطر التخلف عن سداد القروض بدقة عالية ..
• الذكاء الاصطناعي في الرعاية الصحية: في التشخيص الطبي، تساعد الخوارزمية في توقع نتائج المرضى من خلال تحليل السجلات الصحية الإلكترونية. يستخدم الباحثون قدرات أهمية الميزات لتحديد المؤشرات الحيوية الحرجة المرتبطة بتطور أمراض معينة.
• الذكاء الاصطناعي في الزراعة: يطبق علماء الزراعة تقنية Random Forest لتحليل عينات التربة وأنماط الطقس من أجل النمذجة التنبؤية لإنتاجية المحاصيل ، مما يمكّن المزارعين من تحسين تخصيص الموارد وتعزيز الاستدامة.

التمييز بين الغابة العشوائية والمفاهيم ذات الصلة

فهم كيفية مقارنة Random Forest بالخوارزميات الأخرى يساعد في اختيار الأداة المناسبة لمشكلة معينة.

• مقابل شجرة القرار: شجرة القرار الواحدة سهلة التفسير ولكنها تعاني من تباين كبير؛ أي تغيير بسيط في البيانات يمكن أن يغير هيكل الشجرة تمامًا. تضحي الغابة العشوائية ببعض قابلية التفسير مقابل مقابل التباين في التحيز، مما يوفر تعميمًا فائقًا على بيانات الاختبار.
• مقارنةً بـ XGBoost: بينما تقوم Random Forest ببناء الأشجار بشكل متوازٍ (بشكل مستقل)، فإن خوارزميات التعزيز مثل XGBoost تبني الأشجار بشكل متسلسل، حيث تقوم كل شجرة جديدة بتصحيح أخطاء الشجرة السابقة. غالبًا ما يحقق التعزيز أداءً أعلى في المسابقات الجدولية، ولكنه قد يكون أكثر حساسية للبيانات المضطربة.
• مقابل التعلم العميق (DL): يتفوق Random Forest في البيانات المنظمة والجدولية. ومع ذلك، بالنسبة للبيانات غير المنظمة مثل الصور، تتفوق نماذج الرؤية الحاسوبية (CV) تتفوق. الهياكل مثل YOLO26 تستخدم الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات تلقائيًا من وحدات البكسل الخام، وهي مهمة تصعب على الأساليب القائمة على الأشجار.

مثال على التنفيذ

عادةً ما يتم تنفيذ Random Forest باستخدام مكتبة مكتبة Scikit-learn. في خطوط الإنتاج المتقدمة، يمكن استخدامها جنبًا إلى جنب مع نماذج الرؤية التي تدار عبر Ultralytics ، على سبيل المثال، classify المستمدة من الكائنات المكتشفة.

يوضح المثال التالي كيفية تدريب مصنف بسيط على بيانات اصطناعية:

from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier

# Generate a synthetic dataset with 100 samples and 4 features
X, y = make_classification(n_samples=100, n_features=4, random_state=42)

# Initialize the Random Forest with 100 trees
rf_model = RandomForestClassifier(n_estimators=100, max_depth=3)

# Train the model and predict the class for a new data point
rf_model.fit(X, y)
print(f"Predicted Class: {rf_model.predict([[0.5, 0.2, -0.1, 1.5]])}")