Random Forest

تُعد الغابة العشوائية (Random Forest) خوارزمية قوية ومتعددة الاستخدامات في التعلم الخاضع للإشراف، وتُستخدم على نطاق واسع في مهام التصنيف و**الانحدار**. وكما يوحي اسمها، فهي تنشئ "غابة" مكونة من العديد من أشجار القرار أثناء مرحلة التدريب. ومن خلال تجميع تنبؤات هذه الأشجار الفردية—عادةً باستخدام التصويت بالأغلبية للتصنيف أو حساب المتوسط للانحدار—يحقق النموذج دقة تنبؤية واستقراراً أعلى بكثير مما يمكن أن تقدمه أي شجرة منفردة. يعالج نهج التجميع هذا بشكل فعال المخاطر الشائعة في تعلم الآلة، مثل الإفراط في التخصيص لـ بيانات التدريب، مما يجعله خياراً موثوقاً لتحليل مجموعات البيانات المهيكلة والمعقدة.

Link to this sectionالآليات الجوهرية#

تعتمد فعالية الغابة العشوائية على مفهومين رئيسيين يُدخلان التنوع بين الأشجار، مما يضمن أنها لا تتعلم جميعها نفس الأنماط بالضبط:

• التجميع التمهيدي (Bagging): تُنشئ الخوارزمية مجموعات فرعية متعددة من مجموعة البيانات الأصلية من خلال أخذ العينات العشوائي مع الاستبدال. يتم تدريب كل شجرة قرار على عينة مختلفة، مما يسمح لنموذج تعلم الآلة (ML) بالتعلم من وجهات نظر متنوعة لتوزيع البيانات الأساسي.
• عشوائية الميزات: بدلاً من البحث عن الميزة الأكثر أهمية عبر جميع المتغيرات المتاحة عند تقسيم العقدة، تبحث الخوارزمية عن أفضل ميزة من بين مجموعة فرعية عشوائية من متجهات الميزات. وهذا يمنع الميزات المهيمنة المحددة من طغيانها على النموذج، مما يؤدي إلى تنبؤ أكثر تعميماً وقوة.

Link to this sectionتطبيقات العالم الحقيقي#

تعد الغابة العشوائية عنصراً أساسياً في تحليلات البيانات لقدرتها على التعامل مع مجموعات البيانات الكبيرة ذات الأبعاد العالية.

• الذكاء الاصطناعي في التمويل: تستفيد المؤسسات المالية من الغابة العشوائية في تقييم الائتمان وكشف الاحتيال. من خلال تحليل بيانات المعاملات التاريخية والبيانات الديموغرافية للعملاء، يمكن للنموذج تحديد الأنماط الدقيقة التي تشير إلى نشاط احتيالي أو تقييم مخاطر التخلف عن سداد القروض بـ دقة عالية.
• الذكاء الاصطناعي في الرعاية الصحية: في التشخيص الطبي، تساعد الخوارزمية في التنبؤ بنتائج المرضى من خلال تحليل السجلات الصحية الإلكترونية. يستخدم الباحثون قدراتها في أهمية الميزات لتحديد المؤشرات الحيوية الحاسمة المرتبطة بمسارات تطور أمراض معينة.
• الذكاء الاصطناعي في الزراعة: يطبق المهندسون الزراعيون الغابة العشوائية لتحليل عينات التربة وأنماط الطقس لـ النمذجة التنبؤية لإنتاجية المحاصيل، مما يتيح للمزارعين تحسين تخصيص الموارد وتعزيز الاستدامة.

Link to this sectionالتمييز بين الغابة العشوائية والمفاهيم ذات الصلة#

يساعد فهم كيفية مقارنة الغابة العشوائية بالخوارزميات الأخرى في اختيار الأداة المناسبة لمشكلة معينة.

• مقابل شجرة القرار: من السهل تفسير شجرة القرار الواحدة ولكنها تعاني من تباين عالٍ؛ حيث يمكن لتغيير بسيط في البيانات أن يغير هيكل الشجرة بالكامل. تضحي الغابة العشوائية ببعض القابلية للتفسير من أجل مقايضة الانحياز والتباين، مما يوفر تعميماً فائقاً على بيانات الاختبار غير المرئية.
• مقابل XGBoost: بينما تبني الغابة العشوائية الأشجار بالتوازي (بشكل مستقل)، تبني خوارزميات التعزيز (Boosting) مثل XGBoost الأشجار بالتسلسل، حيث تصحح كل شجرة جديدة أخطاء الشجرة السابقة. غالباً ما يحقق التعزيز أداءً أعلى في مسابقات البيانات المجدولة ولكنه قد يكون أكثر حساسية للبيانات المزعجة.
• مقابل التعلم العميق (DL): تتفوق الغابة العشوائية في البيانات المهيكلة والمجدولة. ومع ذلك، بالنسبة للبيانات غير المهيكلة مثل الصور، فإن نماذج رؤية الحاسوب (CV) هي الأفضل. تستخدم بنيات مثل YOLO26 الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات تلقائياً من وحدات البكسل الخام، وهي مهمة تجد الطرق القائمة على الأشجار صعوبة فيها.

Link to this sectionمثال على التنفيذ#

يتم تنفيذ الغابة العشوائية عادةً باستخدام مكتبة Scikit-learn الشهيرة. وفي خطوط الأنابيب المتقدمة، قد تُستخدم جنباً إلى جنب مع نماذج الرؤية التي تتم إدارتها عبر منصة Ultralytics، على سبيل المثال، لتصنيف البيانات الوصفية المشتقة 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]])}")