应用机器学习(七):随机森林

随机森林是一种集成学习方法,通过构建多棵决策树并取众数作为分类结果,以减少过拟合。文章介绍了随机森林的基本原理,包括决策树的过拟合问题、Bootstrapping过程、特征装袋以及随机森林的性质,如袋外误差和变量重要性。还提供了R语言的执行代码示例。
摘要由CSDN通过智能技术生成

随机森林

随机森林( Random forest ),是一种用于分类、回归等任务的集成学习方法。对于分类任务,它在训练时构建多棵决策树,输出这些树的分类结果的众数( mode ),即,将大多数树的分类结果作为最终的结果。这样,随机森林修正了单棵决策树过度拟合训练集的倾向。

随机森林算法

  • 准备工作:决策树学习

对于详细的决策树学习理论,请参考 应用机器学习 | 第七讲

在构建的决策树里,长的比较”深”的树,倾向过拟合训练集,即,它有较低的偏差,但较高的方差。随机森林平衡了多棵决策树,目的是减小预测方差,但付出的代价是,增加了偏差且损失了部分模型可解释性。尽管如此,随机森林仍然很大程度上改善了最终模型的预测表现。

  • Tree bagging

给定一个训练集 X=(x1,x2,,xn) , 响应变量(类标签) Y=(y1,y2,,yn) .
所谓装袋( bagging ),指的是从训练集中有放回地抽取一个随机样本,在这个样本上拟合树。假设重复装袋 B 次,整个训练过程为:

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值