一、集成学习方法定义
集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型,各自独立地学习和作出预测。这些预测最后结合成单预测,因此优于任何一个单分类的做出预测。
二、随机森林定义
在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
三、随机森林原理
1、用N来表示训练用例(样本)的个数,M表示特征数目。
2、输入特征数目m,用于确定决策树上一个节点的决策结果;其中m应远小于M。
3、从N个训练用例(样本)中以有放回抽样的方式,取样N次,形成一个训练集(即bootstrap取样),并用未抽到的用例(样本)作预测,评估其误差。
四、随机森林API
class sklearn.ensemble.RandomForestClassifier(n_estimators=10,criterion=‘gini’,max_depth=None,bootstrap=True,random_state=None)
随机森林分类器
1、n_estimators:integer,optional(default = 10) 森林里的树木数量
2、criteria:string,可选(default =“gini”)分割特征的测量方法
3、max_depth:integer或None,可选(默认=无)树的最大深度
4、bootstrap:boolean,optional(default = True&
集成学习方法——随机森林
最新推荐文章于 2024-07-01 18:30:25 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)