مدل سازی آرایه فتوولتاییک با الگوریتم جنگل (طبقه بندی و رگرسیون)

طبقه بندی و رگرسیون:
درخت های طبقه بندی و رگرسیون پاسخ های پیش بینی شده به داده ها هستند.

هنگام پیش بینی پاسخ، تصمیم، هر درخت را از گره اصلی به یک گره برگ در جنگل هدایت می کند که حاوی پاسخ است. درخت های رگرسیون پاسخ را به شکل عددی و درخت های طبقه بندی آن را به صورت اسمی (درست یا غلط) بیان می کنند.

جنگل های تصادفی، بسته به درخت های طبقه بندی و رگرسیون ایجاد شده تغییر می کنند و طی مراحل زیر ساخته می شوند.

در مرحله اول، همه داده های ورودی برای آزمایش تمام انشعابات دوتایی ممکن در هر پیش بین استفاده شده، سپس انشعابی انتخاب می شود که بهترین مقیاس بهینه سازی را دارد.

در مرحله دوم، انشعاب انتخاب شده به دو گره فرزند جدید تقسیم می شود. این فرایند برای گره های فرزند جدید تکرار می شود.

اما دو مورد مقیاس بهینه سازی و دستور توقف برای کامل کردن فرایند قبل لازم است. مقیاس بهینه سازی مشخص می کند که انشعاب انتخابی برای کمینه «میانگین مربعات خطا» (Mean Square Error) یا MSE داده های پیش بینی نسبت به داده های آموزشی باید بررسی شود.

در مقابل، در درخت های طبقه بندی، یکی از سه روش «شاخص تنوع جینی» (Gini’s Diversity Index) انحراف یا «قانون تقسیم بندی دوحالتی» (Towing Rule) برای انتخاب انشعاب به کار می رود.

طبقه بندی فرایندی است که در آن موضوعات شناخته، درک و متمایز می شوند. این فرایند، موضوعات را به صورت دسته های مستقل برای اهداف خاص دسته بندی می کند. طبقه بندی، فهم روابط بین موضوعات و زیرموضوعات را فراهم می کند.

این فرایند در زبان، استنباط، تصمیم گیری، پیش بینی و انواع برهم کنش محیطی به کار می رود. طبقه بندی مانند رگرسیون در یادگیری ماشین نقش دارد.

رگرسیون یک فرایند آماری برای تعیین روابط بین متغیرهاست. هنگامی که روابط بین یک متغیر وابسته (یا یک «متغیر معیار») و یک یا چند متغیر مستقل بررسی می شوند، تکنیک های بسیاری برای مدل سازی و تحلیل در رگرسیون گنجانده می شود.

از رگرسیون برای پیش بینی استفاده می شود و در طبقه بندی با یادگیری ماشین اشتراک دارد. در جنگل های تصادفی، رگرسیون با رشد هر درخت مربوط به یک بردار تصادفی تشکیل می شود.

مقادیر خروجی، عددی هستند. پیش بین درخت تصمیم با میانگین گیری از همه درخت های جنگل ساخته می شود.