Machine Learning With Random Forests And Decision Trees: A Visual Guide For Beginners

یادگیری ماشین - قابل درک آسان است

اگر به دنبال کتابی هستید که به شما در درک نحوه الگوریتم های یادگیری ماشینی \"جنگل تصادفی\" و \"درخت تصمیم\" کمک کند. پشت صحنه کار کنید، پس این کتاب خوبی برای شماست. این دو الگوریتم معمولاً در برنامه‌های مختلفی از جمله تجزیه و تحلیل داده‌های بزرگ برای صنعت و مسابقات تجزیه و تحلیل داده‌ها مانند آنچه در Kaggle پیدا می‌کنید، استفاده می‌شوند.

این کتاب نحوه عملکرد درخت‌های تصمیم و نحوه عملکرد آنها را توضیح می‌دهد. در یک جنگل تصادفی ترکیب شود تا بسیاری از مشکلات رایج در درختان تصمیم، مانند برازش بیش از حد داده های آموزشی، کاهش یابد.

چندین مثال تصویری

معادلات برای درک واقعی آخرین جزئیات یک الگوریتم عالی هستند. اما برای داشتن یک ایده اولیه از نحوه کار یک چیز، به نحوی که 6 ماه بعد به شما بچسبد، هیچ چیز بهتر از تصاویر نیست. این کتاب حاوی چندین تصویر است که جزئیاتی از جمله چگونگی انتخاب درخت تصمیم گیری، تقسیم درخت تصمیم گیری، تطبیق درخت تصمیم گیری با داده های خود، و نحوه ترکیب چندین درخت تصمیم برای تشکیل یک جنگل تصادفی را شرح می دهد.

این کتاب درسی نیست

بیشتر کتاب‌ها و سایر اطلاعات در مورد یادگیری ماشینی که من دیده‌ام در آن قرار دارند یکی از این دو دسته، یا کتاب‌های درسی هستند که الگوریتمی را به روشی شبیه به \"و سپس الگوریتم این تابع از دست دادن را بهینه می‌کند\" توضیح می‌دهند یا به طور کامل روی نحوه تنظیم کد برای استفاده از الگوریتم و نحوه تنظیم پارامترها تمرکز می‌کنند. .

این کتاب رویکرد متفاوتی دارد که مبتنی بر ارائه مثال‌های ساده از نحوه عملکرد درخت‌های تصمیم‌گیری و جنگل‌های تصادفی است، و بر اساس آن نمونه‌ها قدم به قدم استوار است تا بخش‌های پیچیده‌تر را در بر بگیرد. الگوریتم ها معادلات واقعی پشت درخت‌های تصمیم‌گیری و جنگل‌های تصادفی با شکستن آنها و نشان دادن کارهایی که هر بخش از معادله انجام می‌دهد و نحوه تأثیر آن بر نمونه‌های مورد نظر توضیح داده می‌شود.

< /p>

فایل‌های پایتون و فایل اکسل برای بسیاری از مثال‌های نشان‌داده‌شده در کتاب

برخی از موضوعات در یادگیری ماشینی به معادلات جدول اکسل نمی‌پردازند. چیزهایی مانند بررسی خطا یا شرطی های پیچیده به سختی می توان خارج از کد تکرار کرد. با این حال برخی از موضوعات در یک صفحه گسترده به خوبی کار می کنند. موضوعاتی مانند آنتروپی و به دست آوردن اطلاعات، که چگونه درخت تصمیم گیری تقسیمات خود را انتخاب می کند، می تواند به راحتی در یک صفحه گسترده محاسبه شود. صفحه‌گسترده‌ای که برای تولید بسیاری از نمونه‌های این کتاب استفاده می‌شود، مانند همه اسکریپت‌های پایتون که جنگل‌های تصادفی و درخت‌های تصمیم را در این کتاب اجرا می‌کنند و بسیاری از طرح‌ها و تصاویر را تولید می‌کنند، برای دانلود رایگان در دسترس است.

اگر شما فردی هستید که با بازی کردن با کدها و ویرایش داده ها یا معادلات یاد می گیرید تا ببینید چه تغییری می کند، از آن منابع همراه با کتاب برای درک عمیق تر استفاده کنید.

موضوعات تحت پوشش

موضوعاتی که در این کتاب تحت پوشش قرار گرفته است

• مروری کلی از درختان تصمیم و جنگل های تصادفی
  
• نمونه ای دستی از اینکه چگونه یک انسان یک مجموعه داده را در مقایسه با نحوه عملکرد درخت تصمیم طبقه بندی می کند< br />
• چگونه درخت تصمیم کار می‌کند و چرا مستعد بیش از حد برازش است
  
• چگونه درخت‌های تصمیم ترکیب می‌شوند تا یک جنگل تصادفی را تشکیل دهند
  </ li>
• چگونه از آن جنگل تصادفی برای طبقه بندی داده ها و پیش بینی ها استفاده کنیم
  
• چگونه تعیین کنیم که چند درخت در یک جنگل تصادفی استفاده شود
  
• فقط «تصادفی» از کجا می آید
  
• خطاهای خارج از کیف و اعتبارسنجی متقاطع - الگوریتم یادگیری ماشین چقدر تناسب داشته است؟
  
• معیارهای جینی و معیارهای آنتروپی - چگونه تشخیص دهیم کدام تقسیم در درخت تصمیم در بین بسیاری از گزینه های ممکن بهترین است
  
• و بیشتر
  

اگر می‌خواهید درباره نحوه عملکرد این الگوریتم‌های یادگیری ماشینی بیشتر بدانید، اما نیازی به اختراع مجدد آنها ندارید، این کتاب خوبی برای شماست

Machine Learning - Made Easy To Understand

If you are looking for a book to help you understand how the machine learning algorithms "Random Forest" and "Decision Trees" work behind the scenes, then this is a good book for you.  Those two algorithms are commonly used in a variety of applications including big data analysis for industry and data analysis competitions like you would find on Kaggle.

This book explains how Decision Trees work and how they can be combined into a Random Forest to reduce many of the common problems with decision trees, such as overfitting the training data.

Several Dozen Visual Examples

Equations are great for really understanding every last detail of an algorithm.  But to get a basic idea of how something works, in a way that will stick with you 6 months later, nothing beats pictures.  This book contains several dozen images which detail things such as how a decision tree picks what splits it will make, how a decision tree can over fit its data, and how multiple decision trees can be combined to form a random forest.

This Is Not A Textbook

Most books, and other information on machine learning, that I have seen fall into one of two categories, they are either textbooks that explain an algorithm in a way similar to "And then the algorithm optimizes this loss function" or they focus entirely on how to set up code to use the algorithm and how to tune the parameters.

This book takes a different approach that is based on providing simple examples of how Decision Trees and Random Forests work, and building on those examples step by step to encompass the more complicated parts of the algorithms.  The actual equations behind decision trees and random forests get explained by breaking them down and showing what each part of the equation does, and how it affects the examples in question.

Python Files & Excel File For Many Of The Examples Shown In The Book

Some topics in machine learning don't lend themselves to equations in an Excel table.  Things like error checking or complicated conditionals are hard to replicate outside of code.  However some topics work quite well in a spreadsheet.  Topics such as entropy and information gain, which is how a decision tree picks its splits, can be easily calculated in a spreadsheet.  The spreadsheet used to generate many of the examples in this book is available for free download, as are all of the Python scripts that ran the Random Forests & Decision Trees in this book and generated many of the plots and images.  

If you are someone who learns by playing with the code, and editing the data or equations to see what changes, then use those resources along with the book for a deeper understanding.

Topics Covered

The topics covered in this book are

• An overview of decision trees and random forests
  
• A manual example of how a human would classify a dataset, compared to how a decision tree would work
  
• How a decision tree works, and why it is prone to overfitting
  
• How decision trees get combined to form a random forest
  
• How to use that random forest to classify data and make predictions
  
• How to determine how many trees to use in a random forest
  
• Just where does the "randomness" come from
  
• Out of Bag Errors & Cross Validation - how good of a fit did the machine learning algorithm make?
  
• Gini Criteria & Entropy Criteria - how to tell which split on a decision tree is best among many possible choices
  
• And More
  

If you want to know more about how these machine learning algorithms work, but don't need to reinvent them, this is a good book for you