TY - JOUR T1 - Tuning and Application of Random Forest Algorithm in Genomic Evaluation TT - تنظیم و کاربرد الگوریتم جنگل تصادفی در ارزیابی ژنومی JF - rap JO - rap VL - 7 IS - 13 UR - http://rap.sanru.ac.ir/article-1-645-fa.html Y1 - 2016 SP - 185 EP - 178 KW - Genomic Breeding Value KW - Genomic Evaluation KW - Random Forest KW - Single Nucleotide Marker KW - Tree N2 - یکی از مباحث مهم در انتخاب ژنومی، استفاده از روشی مناسب برای برآورد اثر نشانگرها و ارزیابی ژنومی است. اخیراً روش­های یادگیری ماشین1 که جزو روش­های ناپارامتری غیرخطی هستند وارد ارزیابی ژنومی شده­اند. یکی از این روش­ها الگوریتم جنگل تصادفی2 است که این تحقیق روی نحوه تنظیم این روش متمرکز شده است. پارامترهای مهم در الگوریتم جنگل تصادفی به ترتیب اهمیت، تعداد متغیر انتخاب شده در هر گره درخت3، تعداد درخت4 و حداقل اندازه گره­های پایانی5 می­باشند که بهتر است برای آنها مقدار مناسبی تعیین شود و در اصطلاح مدل برای این پارامترها تنظیم6 شود. ژنومی 5 کروموزومی متشکل از 10000 نشانگر تک نوکلئوتیدی دوآللی7 هریک به طول یک مورگان شبیه­سازی شد و در ادامه، کارایی ترکیبات مختلف از تعداد متغیر انتخاب شده در هر گره درخت، تعداد درخت و حداقل اندازه گره­های پایانی در قالب جمعیت شبیه­سازی شده مورد آزمون قرار گرفته و بهترین ترکیب بر اساس پارامتر خطای خارج از کیسه8 انتخاب و برای تجزیه و تحلیل اطلاعات مورد استفاده قرار گرفت. برای داده­های شبیه­سازی شده در این مطالعه، کمترین مقدار خطای خارج از کیسه و هم­چنین حداکثر صحت پیش­بینی ارزش­های اصلاحی ژنومی مربوط به مدلی با تعداد متغیر انتخاب در هر گره درخت برابر 6000، تعداد درخت برابر 1000 و حداقل اندازه گره­های پایانی برابر 5 بود. بقیه ترکیبات از این سه پارامتر نه تنها منجر به افزایش صحت پیش­بینی نشدند بلکه در آن­هایی که از تعداد بیشتری درخت استفاده شده بود، مدت زمان لازم برای انجام محاسبات نیز افزایش یافت. با توجه به این­که صحت پیش­بینی الگوریتم جنگل تصادفی تابعی از تعداد متغیر انتخاب شده در هر گره درخت، تعداد درخت و حداقل اندازه گره­های پایانی است، لازم است ترکیبات مختلفی از این پارامترها مورد استفاده قرار گیرد و ترکیب بهینه با حداکثر عملکرد پیش­بینی انتخاب شده و برای ارزیابی ژنومی استفاده شود. M3 10.18869/acadpub.rap.7.13.185 ER -