随机森林的优点和缺点_参数

随机森林的优点和缺点_参数

参数：

需要调节的重要参数有
n_estimators 和 max_features，
可能还包括预剪枝选项（如 max_depth）。
n_estimators：森林中数的个数
max_depth : integer或者None。数的最大深度
max_features 决定每棵树的随机性大小，较小的 max_features 可以降低过拟合。

一般来说，好的经验就是使用默认值：
对于分类，默认值是 max_features=sqrt(n_features)；
对于回归，默认值是 max_features=n_features。增大 max_features 或 max_leaf_nodes 有时也可以提高性能。它还可以大大降低用于训练和预测的时间和空间要求

优点、 缺点和参数。
用于回归和分类的随机森林是目前应用最广泛的机器学习方法之一。
这种方法非常强大，通常不需要反复调节参数就可以给出很好的结果，也不需要对数据进行缩放

性能好：
随机森林拥有决策树的所有优点，同时弥补了决策树的一些缺陷。仍然使
用决策树的一个原因是需要决策过程的紧凑表示。基本上不可能对几十棵甚至上百棵树做出详细解释，随机森林中树的深度往往比决策树还要大（因为用到了特征子集）。因此，如果你需要以可视化的方式向非专家总结预测过程，那么选择单棵决策树可能更好。虽然在大型数据集上构建随机森林可能比较费时间，但在一台计算机的多个 CPU 内核上并行计算也很容易。如果你用的是多核处理器（几乎所有的现代化计算机都是），你可
以用 n_jobs 参数来调节使用的内核个数

随机性：
随机森林本质上是随机的，设置不同的随机状态（或者不设置 random_state参数）可以彻底改变构建的模型

非常大的数据集，随机森林的表现通常也很好，
训练过程很容易并行在功能强大的计算机的多个 CPU 内核上

缺点：
对于维度非常高的稀疏数据（比如文本数据），随机森林的表现往往不是很好。对于这种数据，使用线性模型可能更合适。