Düzenli açgözlü orman

RGF olarak da bilinen Düzenlenmiş Açgözlü Orman, denetimli öğrenmede makine öğrenimi için bir algoritmadır. Karar ağacı öğrenmesinin değiştirilmiş bir versiyonunu kullanan Düzenlenmiş Açgözlü Orman, iyi bir genelleme performansı ile hedef özelliğin doğru bir tahminini sağlayan veri tabanlı bir algoritmadır.

Algoritma ilk olarak 2005 yılında Yoshua Bengio, John Lafferty ve Corinna Cortes tarafından önerilmiştir. Leo Breiman tarafından geliştirilen Rastgele Ormanlar tekniğinin bir genellemesi olarak kabul edilir. Düzenli Greedy Forest, aynı girdi verileri kullanılarak eğitilmiş bir karar ağaçları koleksiyonu oluşturarak çalışır. Ayrıca her ağacın öğrenme sürecinde iki değişkeni değiştirir.

İki modifikasyon değişkeni, düzenlileştirme katsayısı, alfa ve öğrenme oranı, lambda'dır. Alfa, bireysel ağaçların ağırlıklarını değiştirmek ve topluluğun genelleme performansını iyileştirmek için kullanılırken, öğrenme oranı lambda, doğruluk ve genelleme performansı arasındaki ödünleşimi değerlendirmek için kullanılır.

Düzenli Açgözlü Orman algoritmaları, biyoinformatik ve görüntü işleme gibi birçok alanda kullanılmaktadır. Diğer mevcut topluluk yöntemleriyle karşılaştırıldığında, RGF olağanüstü bir genelleme performansı sergilerken, aynı zamanda yüksek boyutlu veriler nedeniyle aşırı uyum riskini de azaltır.

Genel olarak, Düzenlenmiş Açgözlü Orman, denetimli makine öğrenimi için doğru tahminler üreten ve iyi bir genelleme performansına sahip güçlü bir algoritmadır.

Referanslar:

Yoshua Bengio, John Lafferty, Corinna Cortes (2005). "Düzenlenmiş Açgözlü Orman." IEEE Transactions on Neural Networks 16 (10): 1875-1889.

Leo Breiman (2001). "Rastgele Ormanlar." Makine Öğrenimi 45 (1): 5-32.