本文详细介绍了bagging算法，特别是随机森林（RF）算法，包括其原理、步骤和优缺点。随机森林通过并行训练多个决策树，采用随机抽样和特征选择来降低模型的方差，增强泛化能力。该算法适用于处理高维数据，能评估特征重要性，并对部分特征缺失不敏感。然而，过多的特征划分可能影响模型效果，且在某些噪声大的数据集上可能过拟合。
bagging算法（随机森林RF算法简介）
bagging算法特点是各个弱学习器之间没有依赖关系，可以并行拟合。加快计算速度。那么，bagging算法其实是一种工程思维，真正把这个思维转换成可以应用于工程计算的就是随机森林算法
通过上图我们知道，bagging是每个弱学习器之间的并行计算最后综合预测，但是，有一个问题需要我们注意，在训练集到子训练器的过程叫做“子抽样”。
这个子抽样是一个“随机有放回采样”，随机有放回采样(bootsrap)是从训练集里面采集固定个数的样本，每采集一个样本后，都将样本放回。之前采集到的样本在放回后有可能继续被采集到。
对于Bagging算法来讲，一般都会随机采集和训练集样本数m一样个数的样本。这样得到的采样集和训练集样本的个数相同，但是样本内容并不一定相同。以下说明为什么不一定相同：
如果对有m个样本训练集做T次的随机采样，则由于随机性，T个采样集各不相同。
一个样本，它在某一次含m个样本的训练集的随机采样中，每次被采集到的概率是1/m。不被采集到的概率为1 − 1/m。如果m次采样都没有被采集中的概率是
当m→∞时
最低0.47元/天 解锁文章
扫一扫
1034
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
