الغابة الجشعة المنظمة

تعد الغابة الجشعة المنتظمة، والمعروفة أيضًا باسم RGF، خوارزمية للتعلم الآلي في التعلم الخاضع للإشراف. باستخدام نسخة معدلة من تعلم شجرة القرار، تعد Regularized Greedy Forest خوارزمية قائمة على البيانات توفر تنبؤًا دقيقًا للميزة المستهدفة مع أداء تعميمي جيد.

تم اقتراح الخوارزمية في الأصل من قبل يوشوا بنجيو، وجون لافرتي، وكورينا كورتيس في عام 2005. وتعتبر بمثابة تعميم لتقنية الغابات العشوائية، التي طورها ليو بريمان. تعمل Greedy Forest المنتظمة من خلال بناء مجموعة من أشجار القرار، والتي يتم تدريبها باستخدام نفس بيانات الإدخال. كما أنه يعدل متغيرين في عملية التعلم لكل شجرة.

متغيري التعديل هما معامل التنظيم ألفا ومعدل التعلم لامدا. يتم استخدام ألفا لتعديل أوزان الأشجار الفردية وتحسين أداء التعميم للمجموعة، في حين يتم استخدام معدل التعلم لامدا لتقييم المفاضلة بين الدقة وأداء التعميم.

تم استخدام خوارزميات Greedy Forest المنظمة في مجالات متعددة، مثل المعلوماتية الحيوية ومعالجة الصور. بالمقارنة مع طرق التجميع الأخرى الموجودة، يُظهر RGF أداءً تعميميًا متميزًا مع تقليل مخاطر التجهيز الزائد بسبب البيانات عالية الأبعاد.

بشكل عام، تعتبر Regularized Greedy Forest خوارزمية قوية للتعلم الآلي الخاضع للإشراف والتي تنتج تنبؤات دقيقة وأداء تعميمي جيد.

مراجع:

يوشوا بنجيو، جون لافرتي، كورينا كورتيس (2005). "الغابة الجشعة المنظمة." معاملات IEEE على الشبكات العصبية 16 (10): 1875-1889.

ليو بريمان (2001). "غابات عشوائية." التعلم الآلي 45 (1): 5-32.