本文通过Python实现随机森林算法，探讨随机森林的原理和应用。通过使用make_blobs构建数据集，逐步展示如何训练和可视化决策树，并通过调整决策树的深度分析过拟合现象。最后，通过Bagging和RandomForestClassifier比较不同分类器的效果。
Randomw Forest算法 python实现，该系列文章主要是对常见的机器学习算法的实现。
完整的笔记和代码以上传到Github,地址为(觉得有用的话，欢迎Fork,请给作者个Star)：
https://github.com/Vambooo/lihang-dl
随机森林 Random Forest
随机森林是对多棵树组合对样本训练预测的一种分类器，它是Bagging方法的最流行的版本之一。
可以理解为随机森林是个体模型为决策树的Bagging算法。
随机森林由Breiman提出的一种分类算法，它使用Bootstrap重采样技术，从原始训练样本集中有放回的重复随机抽取n个样本生成新的样本集合，以此作为训练集来训练决策树。然后按照上述步骤生成m棵决策树组合而成随机森林。
随机森林算法
Random Forest算法案例 python实现
(代码可以左右滑动看)
第一步：构建数据(这里用make_blobs()来构建聚类数据)
X, y = make_blobs(n_samples=3000, centers=2, random_state=42, cluster_std=1.0)
n_samples是待生成的样本的总数；
n_features是每个样本的特征数；
centers表示类别数；
cluster_std表示每个类别的方差。
from sklearn.datasets import make_blobs
X, y
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
