Scribd
Cargar
70 vistas26 páginas

Introducción a Random Forest

Random Forest es una técnica de aprendizaje automático que construye un "bosque" de árboles de decisión entrenados con subconjuntos aleatorios de datos y características para realizar predicciones precisas y robustas. Se construye un modelo de Random Forest seleccionando aleatoriamente características y datos de entrenamiento para entrenar múltiples árboles de decisión, luego se agregan los resultados de cada árbol para la predicción final. Random Forest se utiliza ampliamente en aplicaciones como medicina, finanzas, marketing, agricultura y

Cargado por

GCampusano
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
70 vistas26 páginas

Introducción a Random Forest

Random Forest es una técnica de aprendizaje automático que construye un "bosque" de árboles de decisión entrenados con subconjuntos aleatorios de datos y características para realizar predicciones precisas y robustas. Se construye un modelo de Random Forest seleccionando aleatoriamente características y datos de entrenamiento para entrenar múltiples árboles de decisión, luego se agregan los resultados de cada árbol para la predicción final. Random Forest se utiliza ampliamente en aplicaciones como medicina, finanzas, marketing, agricultura y

Cargado por

GCampusano
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 26

Rando

m
forest
Introducci
ón
Importancia en
la Minería de
Datos
Importancia en la Minería de
Datos
La minería de datos implica descubrir
patrones y conocimiento en grandes
conjuntos de datos. Random Forest es una
herramienta eficaz y flexible para tomar
decisiones basadas en datos en diversas
aplicaciones, siendo popular en la ciencia de
datos y la inteligencia artificial.
Conceptos
Ensambla
je

fundamentales
"Bosqu
e"

de Random
Versatilida
d
Ensambla
je Ensamblaje de Árboles de
Decisión
"Bosqu
e"
El "Bosque" de
Arboles
Versatilidad de Random
Versatilida
d

Forest
¿Cómo se construye
un modelo de
Random Forest?
¿Cómo se construye un modelo de
Random
0 Forest?
1

Conjunto de Datos de
Entrenamiento
Comienzamos con un
montón de datos de
entrenamiento, como
información sobre el
clima, la temperatura, la
humedad, etc.
¿Cómo se construye un modelo de
Random Forest?
0
2

Árboles de
Decisión
Luego, construyes muchos "árboles
de decisión", como si fueran
pequeñas reglas para predecir. Cada
árbol toma un grupo de datos y trata
de adivinar lo que estás prediciendo,
como si va a llover o no
¿Cómo se construye un modelo de
Random Forest? 0
3
Selección Aleatoria de
Características
Para hacer que los árboles sean diferentes
entre sí, en lugar de mirar todas las
características disponibles, cada árbol mira
solo algunas características al azar. Esto evita
depender demasiado de una sola
característica.
¿Cómo se construye un modelo de
Random Forest? 0
4

Construcción de Árboles de
Decisión
Luego, cada árbol se entrena para
hacer sus propias predicciones con las
características y datos seleccionados
aleatoriamente. Cada árbol es como
un pequeño experto que aporta sus
ideas.
¿Cómo se construye un modelo de
Random Forest? 0
5

Agregación de
Resultados
Finalmente, cuando quieres hacer una
predicción, le preguntas a todos los
árboles en tu "bosque" lo que piensan.
En problemas de regresión, promedias
sus respuestas, y en problemas de
clasificación, eliges la respuesta que la
mayoría de los árboles sugieren.
Magi
La magia aquí es que, aunque cada

a?
árbol individual podría no ser perfecto,
al combinar las respuestas de todos los
árboles, obtienes una predicción más
precisa y robusta.

Los Random Forests son geniales para


hacer predicciones precisas y
confiables en una amplia gama de
problemas.
Selección de
características
Selección de
características 0
3
0 Mayor eficiencia
computacional
2
0 Aumento de la
diversidad
1
Reducción del
sobreajuste
Ventajas y
desventaja
Ventajas
Ventajas
desventaja
s
Ejemplos de dónde se usa
Random Forest

Agricultur
Medicina Finanzas Marketing a
Técnicas de
Optimización de
Hiperparámetros
Técnicas de Optimización de
Hiperparámetros
Caso de Estudio: Aplicación de Random Forest en la
predicción de Churn en una Compañía de
Telecomunicaciones
Resultado
Conjunto Problema a s
de Datos Resolver Obtenidos
Integrantes:
Gary lexander Campusano Paredes
2022-1022
lisheynny Mishely Holguin ALMONTE
2022-0472
Daniel Sebastian Reynoso Feliz
2021-1571

También podría gustarte