gcForest是一种基于决策树的深度学习方法，由多粒度扫描和级联森林两部分组成。它通过不同尺度的窗口扫描特征，级联多个森林输出，以实现对小数据集的高效学习。相比深度神经网络（DNN），gcForest在训练过程中更易于调参，训练效率高，且不需要大量训练数据。
文章目录
深度学习最大的贡献是表征学习（representation learning），通过端到端的训练，发现更好的features，而后面用于分类（或其他任务）的输出function，往往也只是普通的softmax（或者其他一些经典而又简单的方法）而已，所以，只要特征足够好，分类函数本身并不需要复杂representation learning。目前DL的成功都是建立在多层神经网络的基础上的，那么这种成功能否复刻到其他模型上呢？南京大学的周志华老师尝试提出一种深度的tree模型，叫做gcForest，用文中的术语说，就是“multi-Grained Cascade forest”，多粒度级联森林。此外，还提出了一种全新的决策树集成方法，使用级联结构让 gcForest 做表征学习。
论文和实现
https://arxiv.org/abs/1702.08835v2
https://github.com/kingfengji/gcForest
https://github.com/pylablanche/gcForest
最低0.47元/天 解锁文章
996
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
