Члены команды: Бурак Эмре Озер, Хузейфе Коджабас
Это третье сообщение нашего проекта машинного обучения о системе позиционирования внутри помещений на основе Wi-Fi. На этой неделе мы изучим эффекты алгоритма Случайный лес.
Случайный лес
Случайный лес - это гибкий, простой в использовании алгоритм машинного обучения, который большую часть времени дает отличный результат даже без настройки гиперпараметров.
Модель случайного леса представляет собой алгоритм обучения на основе ансамбля дерева; то есть алгоритмы усредняют прогнозы по многим отдельным деревьям
Прогноз для проблемы классификации:
fˆ (x) = большинство голосов всех предсказанных классов над B деревьями
Прогноз проблемы регрессии:
fˆ (x) = сумма всех предсказаний поддеревьев, разделенных по B деревьям
«Случайный лес строит несколько деревьев решений и объединяет их вместе, чтобы получить более точный и стабильный прогноз».
Более подробную информацию можно найти по ссылкам ниже:
Https://towardsdatascience.com/the-random-forest-algorithm-d457d499ffcd
Построение прогнозной модели
Мы используем методы ансамбля из библиотеки scikit-learn для создания классификатора случайного леса и регрессора случайного леса, а также MinMaxScaler , чтобы нормализовать значения данных.
from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor from sklearn.preprocessing import MinMaxScaler
Затем мы создаем нашу модель, соответствующую обучающему набору данных. Наконец, мы вычислили среднее значение ошибки: 15,5 метра, как показано над значением ошибки для каждой точки на графике.
Мы показали фактическое положение каждой точки и прогнозируемое положение на графике, чтобы обеспечить более понятное и четкое воздействие.
Хотя результаты не так хороши, как мы ожидали, мы считаем, что для начала это хорошо. В ближайшие недели мы попробуем разные подходы для улучшения результатов. Мир снаружи.
