随机森林样本的有放回抽样和特征无放回抽样

最新推荐文章于 2022-10-09 16:05:58 发布

qq_33761777

最新推荐文章于 2022-10-09 16:05:58 发布

阅读量2.1k

点赞数

本文链接：https://blog.csdn.net/qq_33761777/article/details/108905291

版权

http://suo.im/5zQrE2
随机森林是一种判别模型，既支持分类问题，也支持回归问题，并且支持多分类问题。它是一种非线性模型，其预测函数为分段常数函数。
对特征分量的采样是无放回抽样，可以用随机洗牌算法实现，即将样本先随机乱序，然后挑选出前面的一部分。
这里需要确定决策树的数量以及每次分裂时选用的特征数量，对此并没有标准的答案。第一个问题根据训练集的规模和问题的特点而定。第二个问题也没有一个精确的理论答案，可以通过实验确定。
Bootstrap抽样的做法是在n个样本的集合中有放回的抽取n个样本形成一个数据集。在这个新的数据集中原始样本集中的一个样本可能会出现多次，也可能不出现。
随机森林处理分类和回归的不同
https://blog.csdn.net/jiede1/article/details/78245597/