UK 
English
Polski
Español
Deutsch
日本語
Italiano
Português (BR)
Français
العربية
Nederlands
中文
한국어
हिन्दी
Türkçe
Tiếng Việt
Русский
Bahasa Indonesia
فارسی
বাংলা
ไทย
Filipino
Kiswahili
اردو
Bahasa Melayu
தமிழ்
עברית
Ελληνικά
ਪੰਜਾਬੀ
አማርኛ
မြန်မာဘာသာ
ខ្មែរ
ქართული
नेपाली
Монгол хэл
Հայերեն
සිංහල
ລາວ
Čeština
Română
Magyar
Български
Svenska
Dansk
Suomi
Norsk
Slovenčina
Hrvatski⚖️ Прогнозувальник Результату Судової Справи — Випадковий Ліс Наживо
Спостерігайте, як справжній випадковий ліс незалежно бутстрапованих дерев рішень голосує за симульовані ознаки справи (сила прецеденту, оцінка доказів, юрисдикція), з живими голосами кожного дерева, що сходяться до ймовірності результату ансамблю.
Про цю симуляцію
Цей симулятор будує справжній класифікатор випадковий ліс у браузері й дозволяє спостерігати, як він «думає». Синтетичний навчальний набір судових справ генерується зі спрощених, явно закодованих ознак — сила прецеденту, сила доказів, юрисдикція та складність справи — поєднаних із випадковим шумом у справжню базову ймовірність перемоги. Десятки дерев рішень потім навчаються кожне на своїй бутстрап-вибірці цих даних, розділяючи вузли справжньою мінімізацією домішки Джині над випадково обмеженою підмножиною ознак, до максимальної глибини. Для будь-якої справи, яку ви налаштовуєте повзунками, кожне дерево подає незалежний голос, проходячи власну вивчену структуру, а ймовірність ансамблю лісу — це просто частка дерев, що голосують за позивача.
🔬 Що показано
Жива сітка кубів, по одному на дерево в лісі, забарвлених фіолетовим чи бурштиновим за поточним голосом кожного дерева й освітлених впевненістю на рівні листа цього дерева. Нижче індикаторна шкала показує отриману ймовірність ансамблю, а спарклайн відстежує, як ця ймовірність рухається, коли ви налаштовуєте ознаки справи в реальному часі.
🎮 Як користуватися
Перетягніть повзунки прецеденту, доказів і складності та оберіть юрисдикцію, щоб визначити справу на розгляді — кожне дерево миттєво перевотує. Використовуйте повзунки гіперпараметрів, щоб змінити кількість дерев, максимальну глибину дерева й скільки випадкових ознак розглядає кожне розділення, потім натисніть «Перенавчити», щоб перебудувати ліс, або «Регенерувати навчальні дані», щоб перевибрати абсолютно новий синтетичний набір справ.
💡 Чи знали ви?
«Випадковість» у випадковому лісі походить із двох незалежних джерел випадковості: бутстрап-перевибірка навчальних рядків (беггінг) і обмеження кожного розділення випадковою підмножиною ознак замість усіх. Цей другий трюк, введений Лео Брейманом у 2001 році, декорелює дерева одне від одного.
Часті питання
Що таке випадковий ліс і чим він відрізняється від одного дерева рішень?
Одне дерево рішень рекурсивно розділяє навчальні дані, використовуючи ознаку й поріг, що найбільше зменшують домішку класу (тут виміряну домішкою Джині) у кожному вузлі, до максимальної глибини. Випадковий ліс навчає багато таких дерев незалежно, кожне на своїй бутстрап-вибірці навчального набору (вибірка з поверненням) і, при кожному розділенні, розглядає лише випадкову підмножину доступних ознак, а не всі.
Що означає «точність поза вибіркою» (out-of-bag) і чому їй можна довіряти?
Оскільки кожне дерево навчається на бутстрап-вибірці, приблизно третина навчальних справ залишається поза вибіркою будь-якого даного дерева — його «поза мішком» (OOB) випадки. Для кожної навчальної справи ця симуляція збирає голос більшості лише від дерев, які НЕ бачили цю справу під час навчання, потім порівнює цей прогноз поза вибіркою зі справжньою міткою.
Чому окремі дерева не погоджуються щодо однієї справи?
Кожне дерево бачить лише бутстрап-вибірку навчальних даних і випадково обмежений набір кандидатних ознак при кожному розділенні, тож різні дерева зрештою вивчають різні, недосконалі часткові уявлення про той самий базовий патерн. У межових справах — де прецедент, докази й складність приблизно врівноважуються — дерева можуть законно опинитися на протилежних сторонах межі рішення, яку кожне окремо виявило.
Чи ця симуляція прогнозує реальні судові результати?
Ні. Навчальні справи синтетичні: кожна генерується зі спрощеного, явно закодованого правила, що поєднує симульовану силу прецеденту, силу доказів, юрисдикцію та складність справи в ймовірність перемоги, плюс випадковий шум, а мітка потім вибирається з цієї ймовірності. Мета симуляції — зробити механіку класифікації випадковим лісом видимою й керованою, а не моделювати реальні суди чи прецедентне право.
Що станеться, якщо я збільшу максимальну глибину дерева чи зменшу кількість дерев?
Глибші дерева можуть вирізьбити простір ознак на менші, конкретніші регіони, що зазвичай покращує підгонку до точної бутстрап-вибірки, яку бачило кожне дерево, але також підвищує ризик того, що якесь одне дерево перенавчиться на шум. Менша кількість дерев робить ансамбль швидшим для перенавчання, але шумнішим і менш стабільним.
Синтетичний набір даних судових справ генерується зі спрощеного правила над силою прецеденту, силою доказів, юрисдикцією та складністю, плюс шум. Десятки дерев рішень навчаються кожне на незалежній бутстрап-вибірці, використовуючи справжнє розділення за домішкою Джині над випадковою підмножиною ознак, потім незалежно голосують за налаштовану вами справу.
3D · рушій Three.js / WebGL · ціль 60 FPS · працює повністю на клієнті, без встановлення