دانلود مقالات ISI درباره جنگلهای تصادفی یا جنگلهای تصمیم تصادفی + ترجمه فارسی
Random Forest
آشنایی با موضوع
جنگلهای تصادفی یا جنگلهای تصمیم تصادفی یک روش یادگیری ترکیبی برای دستهبندی، رگرسیون میباشد، که بر اساس ساختاری متشکل از شمار بسیاری درخت تصمیم، بر روی زمان آموزش و خروجی کلاسها (کلاسبندی) یا برای پیش بینیهای هر درخت به شکل مجزا، کار میکنند. جنگلهای تصادفی برای درختان تصمیم که در مجموعهٔ آموزشی دچار بیش برازش میشوند، مناسب هستند.
نخستین الگوریتم برای جنگلهای تصمیم تصادفی را «تین کم هو» با بهرهگیری از روش زیرفضاهای تصادفی پدیدآورد.
امروزه در بسیاری از مواقع با حجم کلانی از داده ها مواجه هستیم. پیشرفت سریع تکنولوژی در قرن اخیر ما رابا حجم عظیمی از اطلاعات مواجه کرده است. تحلیل این داده ها با توجه به متغیرهای کمکی )تبیینی، توضیح دهنده یا پیش گوی( فراوانی که معمولا در اختیار است، بسیار چالش برانگیز است. بعد بالای متغیرها و تاثیرات متفاوت آنها به همراه اثر متقابل متغیرها، موجب شده نحوه مدل بندی و تحلیل این گونه داده ها متفاوت از داده های معمول باشد.
در این زمینه می توان به روش های داده کاوی برای تسهیل فرایند تحلیل داده ها مراجعه کرد. یکی از راه کارها برای مدل بندی و تحلیل این مجموعه داده ها دسته بندی )خوشه بندی( داده ها است. در این جهت، می توان از درخت های تصمیم استفاده کرد. درخت تصمیم یکی از روش های مناسب برای خوشه بندی اطلاعات است. در این روش از یک الگوی درختی برای اخذ تصمیم استفاده می شود. در این روش از استراتژی هایی استفاده می شود تا بیشترین احتمال، هدف مورد نظر تامین شود. قابلیت دیگر درختان تصمیم، محاسبه احتمال شرطی است. * هر درخت تصمیم دارای سه نوع گره است:
.
۱-گره تصمیم: به طور معمول با مربع نشان داده می شود.
۲-گره تصادفی: با دایره مشخص می شود.
۳-گره پایانی: با مثلث مشخص می شود.
اما در عمل هنگام مواجه با حجم عظیم اطلاعات، باید از مجموعه ی عظیمی
از درختان تصمیم یا به عبارت دیگر”جنگل های تصادفی” استفاده کرد.
در ادامه نحوه ساخت الگوریتم تصمیم گیری جنگل های تصادفی مورد بررسی قرار می گیرد.
الگوریتم تصمیم گیری جنگل تصادفی
.
جنگل تصادفی درخت تصمیم های زیادی را تولید می کند. برای طبقه بندی
یک شیء جدید از برداری ورودی را در انتهای هر یک از درختان جنگل تصادفی
قرار می دهد. هر درخت به ما یک طبقه بندی می هد و می گوییم این درخت
به آن کلاس “رای” می دهد. جنگل طبقه بندی ای که بیشترین رای را داشته باشد )
بین همه درخت های جنگل( انتحاب می کند.
در این صفحه تعداد 759 مقاله تخصصی درباره جنگلهای تصادفی یا جنگلهای تصمیم تصادفی که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید. در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI جنگلهای تصادفی یا جنگلهای تصمیم تصادفی (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند. در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Pavement cracking; Digital Image; Deep learning; Transfer learning; Random Forest; Convolutional Neural Networks;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Feature selection; Classification and regression trees; Random forest; Principal components analysis; Pan-sharpening; Machine learning; Crop type mapping;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Random forest; Support vector machine; Artificial neural network; Phytoplankton community; Water transfer;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Cumulative nitrous oxide flux; Simulation model; Sampling; Fixed interval; Rule-based; Decision tree; RF; Random Forest; DOY; day of year; Tavg; average air temperature; R; cumulative rainfall (and irrigation); I; net water inflow; SIN; total soil inorgan
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; DRS; diffuse reflectance spectroscopy; RPD; residual prediction deviation; VisNIR; visible near infrared; PLS; partial least squares; PCR; principle component regression; RF; random forest; MSW; municipal solid waste; LOI; loss on ignition; LASSO; least a
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Icterine warbler; Eurasian golden oriole; Topographic metrics; Random forest; SDMs; Species distribution model; Independent evaluation;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Alzheimer's disease; Mild cognitive impairment; Prediction; Amyloid; Random forest; Random under sampling;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Electrochemical noise; Recurrence quantification analysis; Linear discriminant analysis; Random forest; Corrosion type identification;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Pleistocene; Paleoclimate modelling; Western Europe; Random Forest; Upper Palaeolithic; Last Glacial Maximum; Population dynamics;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Multi-resolution classification; Physiology-based simulation; Aerosol fingerprints; Lung cancer detection and diagnosis; Principal component analysis; Random forest;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Cyprus; Digital soil mapping; Model optimization; Random Forest; Soil landscape model; World Reference Base;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Collinearity; Commercial buildings; Energy factor structure; Principal energy factors; Random Forest; Variable Clustering;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Anomaly detection; Ensemble learning; Autoencoder; Support vector regression; Random forest; Building energy consumption;
Keywords: جنگلهای تصادفی یا جنگلهای تصمیم تصادفی; Ecosystem services; Biodiversity; Random forest; Species richness modeling; Trade-offs; LPJ-GUESS; Plant species richness; Carbon storage; Land use change simulation;