Ын Анналин, Су Кеннет

142
Глава 10
. 
Случайные леса
День 1 
День 2 
День 3 
День 4 
Рис. 3. Прогноз преступлений за четыре дня подряд в 2016 году. 
Полыми кругами отмечены участки, в которых ожидались 
преступления. Закрашенные круги означают верный прогноз 
криминальной активности. Крестиками отмечены участки, 
в которых преступления произошли, но предсказаны не были

---

10.2. Пример: предсказание криминальной активности
143
Модель случайного леса также позволяет нам увидеть, 
какие переменные сыграли наибольшую роль в прогно-
зировании. Согласно диаграмме на рис. 4, о вероятности 
преступлений лучше всего судить по статистике самих 
преступлений, месту, дню года и температуре в течение 
дня.
Месяц
Осадки
Средняя температура
День недели
Минимальная температура
Отклонение температуры
Максимальная температура
День года
Место
Число преступлений за день
Число преступлений в неделю
Число преступлений в месяц
Рис. 4. Главные переменные, участвовавшие в прогнозе 
преступлений в рамках модели случайного леса
Итак, мы убедились, что случайные леса могут быть очень 
эффективными в предсказании таких сложных явлений, 
как преступления. Но как же случайные леса работают?

---

144
Глава 10
. 
Случайные леса
10.3. Ансамбли
Случайный лес — это ансамбль деревьев решений. Ан-
самблем называют прогностическую модель, полученную 
путем комбинирования предсказаний от других моделей, 
будь то решение по большинству голосов или учет сред-
них значений.
На рис. 5 показано, как ансамбль, полученный путем 
большинства голосов, дает более точные результаты, 
чем отдельные модели, на которых он основывается. 
Так происходит из-за того, что верные прогнозы склон-
ны подтверждать друг друга, в то время как ошибочные 
этого не делают. Но для того чтобы эта схема работала, 
включаемые в ансамбль модели не должны совершать 
ошибки одного типа. Другими словами, модели должны 
Модель 1
70 % верно
Модель 2
70 % верно
Модель 3
60 % верно
Ансамбль
80 % верно