本文探讨了随机森林在经济学中的应用，重点介绍了节点不纯度函数，如基尼指数和信息熵在选择分裂变量中的作用。同时，阐述了剪枝的重要性，特别是成本复杂性修枝方法，以防止过拟合。随机森林作为集成学习的一种，通过创建多个决策树并结合其结果，能够在高维空间中提供更准确的预测，同时减少噪声变量的影响。
KNN高维空间很难找邻居（curse of dimensionality）
分类树的预测非常简单，just drop an observation down the tree（回答一系列的是或否问题），使用多数票规则（majority vote rule）
CART算法使用“二叉树”（binary tree），本质上将“特征空间”（feature space）进行递归分割（recursive partitioning），每次总是沿着与某个变量x轴平行的方向进行切割，切成矩形区域。
节点不纯度函数（Node Impurity Functions）
分类树
选择什么变量（split variable）进行分裂？
目标：使得分裂之后的两个子节点内部的
最低0.47元/天 解锁文章
扫一扫
1015
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
