随机森林的实现:对样本进行多次有放回的抽样,节点分裂时采用的解释变量也要抽样,这两步保证随机森林尽可能少的过拟合。
随机森林没有太多的超参数需要调节,但需指定树的数量,理论上树的数量越多,训练效果越好,但时间损耗可能与带来的增益不成正比。
GINI 系数判别解释变量的重要性,通过每个变量对子节点纯度的影响,通俗来讲,采用变量A作为子节点的分裂规则,可使子节点上样本大都属于同一类,这时纯度即高。
随机森林的实现:对样本进行多次有放回的抽样,节点分裂时采用的解释变量也要抽样,这两步保证随机森林尽可能少的过拟合。
随机森林没有太多的超参数需要调节,但需指定树的数量,理论上树的数量越多,训练效果越好,但时间损耗可能与带来的增益不成正比。
GINI 系数判别解释变量的重要性,通过每个变量对子节点纯度的影响,通俗来讲,采用变量A作为子节点的分裂规则,可使子节点上样本大都属于同一类,这时纯度即高。