バギングとランダム フォレスト: 違いと比較

計算上の問題を解決するための特定の手順は、アルゴリズムとして知られています。 アルゴリズムにはさまざまな種類があります。

プログラミングにおいて、アルゴリズムの開発は他の技術とは異なる価値を持っています。 プログラムを効果的に実行するには、最適なアルゴリズムが多数必要です。

バギング とランダム フォレストも XNUMX 種類のアルゴリズムです。

主要な取り組み

1. バギング、またはブートストラップ集約は、複数のモデルを使用して予測分散を減らす手法です。 同時に、ランダムフォレストは、決定木ごとにランダムな特徴選択を追加することにより、バギングの概念を拡張するアンサンブル学習方法です。
2. バギングは複数のデシジョン ツリーの予測を平均化することでオーバーフィッティングを減らすことに重点を置いていますが、ランダム フォレストはツリーの構築にランダム性を導入することで予測精度を向上させることを目的としています。
3. どちらの手法も複数の学習者の能力を利用しますが、ランダム フォレストはツリーの構築中にランダム性の層が追加されるため、バギングよりも優れています。

バギング vs ランダム フォレスト

バギング (ブートストラップ集約) は、トレーニング データのランダムなサブセットに複数のモデル (デシジョン ツリー) を構築し、平均化または投票を通じてそれらの予測を組み合わせる方法です。ランダム フォレストは、複数のデシジョン ツリーを組み合わせてフォレストを形成するバギングの拡張機能です。

バギングは、統計用語と統計用語の分類に使用される機械学習アルゴリズムの精度と安定性を向上および改善するために設計されたメタアルゴリズムです。 回帰.

バギングの別名は、ブートストラップ集約です。 これは、コンピューター プログラムを改善するための非常に有用な手法です。

ランダムフォレストは、教師あり機械学習アルゴリズムとしても知られるアルゴリズムであり、回帰という用語の精度と安定性を向上させるように設計されています。 プログラマーはこのアルゴリズムを広く使用して、回帰問題を解決します。

この手法は、さまざまなサンプルの決定木を構築することで機能します。 また、連続変数を含むデータセットも処理します。

比較表

比較のパラメータ	バギング	ランダムフォレスト
年	バギングは、ほぼ 1996 年前の 2 年に導入されました。 ランダムフォレストが導入されました。	アルゴリズム、ランダム フォレストは 2001 年に導入されました。
Inventor	バギング アルゴリズムは、Leo Breiman という人物によって作成されました。	バギングの成功後、Leo Breiman はブートストラップ アグリゲーションの拡張バージョンであるランダム フォレストを作成しました。
使用法	プログラムの安定性を高めるために、決定木ではバギングが使用されます。	手法ランダム フォレストは、分類と回帰に関連する問題を解決するために使用されます。
目的	バギングの主な目的は、さまざまなサンセットに属する枝刈りされていない決定木をトレーニングすることです。	ランダム フォレストの主な目的は、複数のランダム ツリーを作成することです。
結果	バギング アルゴリズムは、正確な安定性を備えた機械学習モデルの結果を提供します。	ランダム フォレストによって得られる結果は、プログラムのオーバーフィッティング問題に対するロバスト性です。

バギングとは？

バギングは、機械学習で多くのプログラマーが使用するアルゴリズムです。 バギングが知られている別の名前はブートストラップです 凝集.

これはアンサンブルに基づいており、メタアルゴリズムです。 バギングは、コンピュータ プログラムの精度と安定性を高めるために使用されます。

決定木方式もバギングに対応しています。

バギングは、特殊なケースのモデル平均化アプローチと見なすことができます。 プログラムに過剰適合があり、分散の数が増加している場合、これらの問題を解決するために必要な支援を提供するためにバギングが使用されます。

バギングで見つかったデータセットの数は XNUMX つで、ブートストラップ データセット、オリジナル データセット、アウトトゥバッグ データセットです。 プログラムがデータセットからランダムなオブジェクトを選択すると、このプロセスによってブートストラップ データベースが作成されます。

out-to-bag データセットでは、プログラムはブートストラップに残された残りのオブジェクトを表します。

ブートストラップ データセットと out-to-bag はプログラムやバギング アルゴリズムの精度をテストするために使用されるため、細心の注意を払って作成する必要があります。

バギング アルゴリズムは複数のデシジョン ツリーと複数のデータセットを生成するため、オブジェクトが取り残される可能性があります。 ツリーの作成は、ブートストラップされたサンプルのセットを調べるために使用されます。

ランダムフォレストとは何ですか?

ランダム フォレストは、機械学習プログラムで広く使用されている手法です。 教師あり機械学習アルゴリズムとも呼ばれます。

ランダム フォレストは、複数の異なるサンプルを取得し、回帰および分類ケースに関連する問題を解決するための決定木を構築します。 決定ツリーから抽出された多数決が投票に使用されます。

分類ケースに連続変数がある場合、ランダム フォレストはデータセットの処理に役立ちます。 ランダム フォレストは、アンサンブル ベースのアルゴリズムとして知られています。

アンサンブルとは、複数のモデルを同じ場所で組み合わせたものを理解することができます。 アンサンブルでは XNUMX つの方法が使用され、バギングはそのうちの XNUMX つです。

XNUMXつ目はブーストです。 決定木の集合がランダム フォレストを形成します。

プログラマーが決定木を作成する場合、ツリー間の多様性を維持するために、各ツリーを異なる方法で作成する必要があります。

ランダム フォレストでは、各ツリーが特徴を考慮しないため、特徴のためのスペースが減少します。 すべての決定木を形成するために使用されるデータまたは属性は、それぞれ異なります。

ランダムフォレストの作成はCPUを徹底的に使います。 ランダム フォレストでの操作中に、データ全体が使用またはテストされない可能性は常に 30% あります。

結果または出力は、決定木によって提供される過半数に依存します。

バギングとランダム フォレストの主な違い

1. バギングは、機械学習プログラムで安定性が見つからない場合に使用されます。 ランダム フォレストは、回帰に関する問題に取り組むために使用されます。
2. Bagging は決定木を調べて、必要な変更をチェックし、それらを改善します。 一方、ランダム フォレストでは、最初に決定木が作成されます。
3. バギングは機械学習がまだ発展途上の 1996 年に作成されましたが、ランダム フォレスト アルゴリズムは 2001 年に導入されました。
4. Bagging は、機械学習を容易にするために Leo Breiman によって開発および改良されました。XNUMX 年後、同じく Leo によって開発されたアップグレード バージョンとしてランダム フォレストが導入されました。
5. バギングはアンサンブル手法に基づくメタ アルゴリズムであるのに対し、ランダム フォレストはバギングの拡張形式です。

参考文献

1. https://projecteuclid.org/journals/annals-of-statistics/volume-30/issue-4/Analyzing-bagging/10.1214/aos/1031689014.short
2. https://link.springer.com/chapter/10.1007/978-3-642-31537-4_13

最終更新日 : 11 年 2023 月 XNUMX 日