الگوریتم جنگل تصادفی یک استراتژی یادگیری ماشینی است که برای رفع مشکلات رگرسیون و طبقه بندی مورد استفاده قرار می گیرد. این تکنیک با استفاده از یادگیری گروهی انجام می شود. در ادامه به مفهوم الگوریتم جنگل تصادفی و چگونگی استفاده از آن در پیش بینی قیمت بیت کوین خواهیم پرداخت پس با ما همراه باشید.
الگوریتم جنگل تصادفی (Random Forest) چیست؟
الگوریتم جنگل تصادفی تکنیک یادگیری ماشینی یا فرا پارامتر درخت تصمیم یا طبقه بندی کننده کیس ها است. یک رندوم فاست همزمان با رشد خود درختان رندوم بیشتری را به مجموعه می افزاید و به جای جستجوی مهمترین ویژگی حین تقسیم گره، بهترین ویژگی را میان زیرمجموعه های تصادفی جستجوی می کند که باعث ارائه تنوع مدل های بهتری از ویژگی ها می شود. کیفیت این تقسیم بندی با به کارگیری روش هایی مثل جینی ناخالص، افزایش اطلاعات یا خطای میانگین مربعات اندازه گیری می شوند.
الگوریتم جنگل تصادفی که توسط لئو بریمن (Leo Breiman) و ادل کاتلر (Adele Cutler) ایجاد شده است خروجی تعدادی درخت تصمیم را برای رسیدن به یک تصمیم مشترک ترکیب می کند.
درخت های تصمیم ممکن است دچار مشکلاتی مانند برازش بیش از حد و خطای شناختی شوند. اما با این حال هنگامی که چندین درخت تصمیم در گروه بندی های متعدد یک جنگل تصادفی را تشکیل می دهند نتایج دقیق تر و بهتری را پیش بینی می کنند. دقت این نتایج هنگامی بیشتر خواهد بود که درختان این جنگل با یکدیگر همبستگی نداشته باشند.
الگوریتم جنگل تصادفی چگونه کار می کند؟
الگوریتم جنگل تصادفی دارای سه متغیر اصلی نودها، تعداد درختان و تعداد ویژگی های نمونه پردازی شده می شود که پیش از بکارگیری باید برای رفع و جلوگیری از مشکلات رگرسیونی و گروه بندی تنظیم شوند. دقت داشته باشید مفهوم نود در اینجا با نود در بلاک چین متفاوت است.
در این الگوریتم رندوم فارست از چندین درخت تصمیم ساخته شده است که هر یک شامل نمونه داده هایی از یک مجموعه داده برآورد کننده ساخته شده اند. حدود یک سوم از این مجموعه داده به عنوان اطلاعات آزمایشی کنار گذاشته می شود و با نام نمونه های خارج از کیسه شناخته می شوند.
به منظور تنوع بخشیدن به مجموعه داده ها از کیسه ویژگی ها نمونه های تصادفی دیگری نیز به فرآیند پیش بینی افزوده می شوند که باعث کاهش همبستگی بین درختان تصمیم و بهبود عملکرد این الگوریتم می شود.
تعیین پیش بینی در الگوریتم جنگل تصادفی به نوع مشکل بستگی دارد. برای مواردی که در وضعیت رگرسیون یا بازگشتی هستند درختان تصمیم گیری میانگین گیری می شوند و هنگامی که قرار است روی مورد دسته دسته بندی شده پیش بینی صورت گیرد بسته به رای اکثریت پیش بینی انجام می شود. در آخر نمونه های خارج از کیسه به منظور اعتبار سنجی و نهایی سازی پیش بینی مورد استفاده قرار می گیرند.
قیمت بیت کوین چگونه با الگوریتم جنگل تصادفی پیش بینی می شود؟
الگوریتم جنگل تصادفی در زمینه های متنوعی مانند برنامه نویسی، امور مالی متمرکز و غیر متمرکز و بسیاری از حوزه های دیگر مورد استفاده قرار می گیرد. در این بخش به چگونگی استفاده از این الگوریتم در پیش بینی قیمت بیت کوین می پردازیم.
پیش بینی قیمت بیت کوین با استفاده از الگوریتم جنگل تصادفی شامل پنج قسمت جمع آوری داده ها، انتخاب ویژگی ها، برآورد مدل ها، پیش بینی، نهایی سازی و ارائه نتایج است. در جمع آوری داده باید متغیرهایی که بر پیش بینی قیمت استفاده می شوند را انتخاب کرد. این داده ها معمولا شامل قیمت شروع، قیمت پایانی، حداقل قیمت، حداکثر قیمت، حجم معاملات و هر متغیر دیگری که با قیمت بیت کوین در ارتباط هستند باشند.
بعد از جمع آوری داده ها و هنگام سازی آن ها نوبت هم مقیاس کردن (Data Scaling) آنها است. با هم مقیاس کردن داده ها بازه اعداد که بسیار بزرگ یا بسیار کوچک هستند در یک مقدار مشخص قرار می گیرد.
پس از مرحله هم مقیاس سازی الگوریتم جنگل تصادفی کار خود را آغاز می کند و داده های جمع آوری و مقیاس بندی شده را دسته بندی می کند.
توجه داشته باشید بعد از فرایند scaling داده ها باید ویژگی ها و معیارهای اندازه گیری که از آنها استفاده می شود را معرفی کرد. اندیکاتورهای زیادی هستند که برای تحلیل تکنیکال از آنها استفاده می شود که از بین آنها می توان میانگین وزنی حجم قیمت، شاخص جریان پول، ایچیموکو، شاخص قدرت نسبی، میانگین متحرک ساده و…. را نام برد. به خاطر داشته باشید تایم فریم های هر یک از اندیکاتورهای مورد بررسی نیز باید در نظر گرفته شوند.
پس از گروه‌بندی داده ها ویژگی ها بر اساس اهمیت مرتب شده و سپس ادغام می شوند و بر اساس آزمون عامل تورم واریانس رتبه بندی می شوند. آزمون عامل تورم واریانس شدت هم‌خطی میان متغیر های مستقل را اندازه گیری می کند.
در پایان با بررسی همبستگی میان متغیرهای استفاده شده، داده هایی که از نظر ویژگی و درستی در محاسبه عملکرد بهتری دارند به عنوان مجموعه داده ها در اختیار سیستم قرار داده می شوند.
پس از طی مراحل نام برده و تشکیل مجموعه داده فرایند وارد فاز سوم می شود و با توجه به دو مدل رگرسیونی پیش بینی قیمت بیت کوین را آغاز می کند و پس از به پایان رسیدن آن داده هایی که خارج از کیسه کنار گذاشته شده بودند، به منظور آزمایش درستی برآورد در مدل به کار برده می شوند.
در مدل رگرسیونی، خروجی در قالب یک نمودار و در مدل گروه‌بندی به صورت کم یا زیاد نشان داده می شوند.
کلام آخر
الگوریتم جنگل تصادفی یکی از متداول ترین الگوریتم های یادگیری ماشینی است که برای پیش بینی قیمت بیت کوین به کار برده می شود. این الگوریتم شامل مجموعه از درخت های تصمیم است که با استفاده از آن می توان داده ها را به صورت دسته بندی یا رگرسیونی پیش بینی کرد. در این مقاله به نحوه کارکرد الگوریتم جنگل تصادفی در پیش بینی قیمت بیت کوین پرداخته شد که امیدواریم برای شما مفید واقع شده باشد.
