Foresta casuale

Random Forest è un algoritmo di apprendimento supervisionato versatile e potente, utilizzato per compiti di classificazione e regressione nell'apprendimento automatico (ML). Essendo un metodo di tipo ensemble, opera costruendo una moltitudine di alberi decisionali durante il processo di addestramento. Per un compito di classificazione, l'output finale è la classe selezionata dal maggior numero di alberi; per un compito di regressione, è la previsione media dei singoli alberi. Questo approccio di combinazione di più modelli aiuta a migliorare l'accuratezza della previsione e a controllare l 'overfitting, rendendolo più robusto di un singolo albero decisionale.

Come funziona la foresta casuale

L'idea alla base di Random Forest è quella di introdurre la casualità per costruire una "foresta" di alberi decisionali non correlati. Questa casualità viene introdotta in due modi principali:

1. Aggregazione Bootstrap (Bagging): Ogni singolo albero della foresta viene addestrato su un campione diverso e casuale dei dati di addestramento. Questo campionamento viene effettuato con sostituzione, il che significa che alcuni punti di dati possono essere utilizzati più volte in un singolo campione, mentre altri possono non essere utilizzati affatto. Questa tecnica è formalmente nota come aggregazione bootstrap.
2. Casualità delle caratteristiche: Quando si divide un nodo in un albero decisionale, l'algoritmo non cerca la migliore divisione tra tutte le caratteristiche. Al contrario, seleziona un sottoinsieme casuale di caratteristiche e trova la divisione ottimale solo all'interno di tale sottoinsieme. Questo assicura che gli alberi siano diversificati e impedisce che poche caratteristiche forti dominino tutti gli alberi.

Combinando le previsioni di questi diversi alberi, il modello riduce la varianza e in genere ottiene prestazioni migliori di quelle che potrebbe ottenere un singolo albero da solo. L'algoritmo è stato sviluppato da Leo Breiman e Adele Cutler ed è diventato uno strumento indispensabile per molti data scientist.

Applicazioni del mondo reale

Random Forest è ampiamente utilizzato in molti settori grazie alla sua semplicità ed efficacia, soprattutto con dati tabellari o strutturati.

• Servizi finanziari: Le banche e le istituzioni finanziarie utilizzano i modelli Random Forest per la valutazione del rischio di credito. Analizzando i dati dei clienti, come il reddito, la storia dei prestiti e l'età, il modello è in grado di prevedere la probabilità che un cliente sia inadempiente su un prestito. È anche uno strumento chiave dell'intelligenza artificiale nella finanza per individuare le transazioni fraudolente con carta di credito.
• Sanità: In campo medico, Random Forest può essere utilizzato per la diagnosi delle malattie e la stratificazione del rischio dei pazienti. Ad esempio, può analizzare le cartelle cliniche e i sintomi per prevedere se un paziente è affetto da una particolare malattia, aiutando i medici a fare diagnosi più accurate. Per saperne di più su applicazioni simili, consultate la nostra panoramica sull'IA nel settore sanitario.
• Commercio elettronico: I rivenditori online utilizzano Random Forest per creare sistemi di raccomandazione che suggeriscono prodotti agli utenti in base alla loro cronologia di navigazione, ai modelli di acquisto e ad altri comportamenti dell'utente.

Rapporto con altri modelli

È importante capire come Random Forest si relaziona con altri modelli nel panorama dell 'IA.

• Alberi decisionali: Una foresta casuale è fondamentalmente un insieme di alberi decisionali. Sebbene un singolo albero decisionale sia semplice da interpretare, è incline ad adattarsi eccessivamente ai dati di addestramento. La Foresta casuale supera questa limitazione mediando i risultati di molti alberi, creando un modello più generalizzato.
• Algoritmi di boosting: Come Random Forest, anche algoritmi come XGBoost e LightGBM sono metodi d'insieme basati su alberi decisionali. Tuttavia, utilizzano una strategia diversa, chiamata boosting, in cui gli alberi vengono costruiti in sequenza, con ogni nuovo albero che cerca di correggere gli errori di quello precedente. Al contrario, Random Forest costruisce i suoi alberi in modo indipendente e in parallelo.
• Modelli di apprendimento profondo: Random Forest è molto efficace per i problemi con i dati strutturati. Tuttavia, per i dati non strutturati come le immagini e il testo, i modelli di apprendimento profondo come le reti neurali convoluzionali (CNN) o i trasformatori di visione (ViT) sono di gran lunga superiori. Nella computer vision, compiti come il rilevamento di oggetti o la segmentazione di istanze sono gestiti al meglio da architetture specializzate come Ultralytics YOLO11.

Tecnologie e strumenti

Numerose librerie di apprendimento automatico forniscono implementazioni dell'algoritmo Random Forest. Scikit-learn, una libreria Python molto utilizzata, offre un'implementazione completa di Random Forest con opzioni per la regolazione degli iperparametri. Sebbene sia potente per molte attività di ML tradizionali, per le applicazioni di computer vision all'avanguardia sono spesso necessarie architetture e piattaforme specializzate che supportino il ciclo di vita MLOps. Esplorate le varie soluzioni Ultralytics che sfruttano i modelli YOLO per i problemi di intelligenza artificiale della visione del mondo reale.