本文详细介绍了随机森林（RF）、梯度提升决策树（GBDT）的参数调优，包括决策树数量、特征选择、最大深度、最大叶子节点等，并提到了如何设置这些参数以避免过拟合。对于RF，决策树数量通常在10-100之间，而特征数量可选开根号或log2。在资源有限的情况下，可以使用预设的参数。GBDT与RF相似，但多了一个学习率参数。此外，还简要介绍了逻辑回归（LR）的相关参数。
https://zhuanlan.zhihu.com/p/56940098
调参对于随机森林来讲，不会发生很大的波动，即使采用默认值，也可以保持不错的效果。
对于随机森林，比较重要的参数有2个：决策树数量；每个决策树最多使用多少特征。
对于决策树数量参数：
决策树数量越多，效果越好越稳定。但是要在合理范围内，当决策树数量增大到一定数量后，效果基本保持不变。但是随着决策树数量的增大，对硬件的性能要求越高。决策树的数量一般在10-100，可以观察随着决策树数量的增加，误差下降不是很明显了，差不多就是这个参数了。
对于特征数量：
每个决策树用到的特征越多，效果肯定越好，但是对于整个随机森林模型来说，希望各个决策树之间保持一定的差异性。并且单个决策树的特征越多，消耗的性能越大。
常用选项：开根号；log2；百分之20
最低0.47元/天 解锁文章
扫一扫
2072
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
