如何理解随机森林RF_随机性的理解

如何理解随机森林RF_随机性的理解

如何理解随机森林RF

1、RF 1.1 原理 　　提到随机森林，就不得不提Bagging，Bagging可以简单的理解为： 　　放回抽样， 　　多数表决（分类）或简单平均（回归）, 基学习器之间属于并列生成，不存在强依赖关系。 引入了随机特征选择： 1、随机选择样本（放回抽样）； 随机选择特征是指在树的构建中，会从样本集的特征集合中随机选择部分特征，然后再从这个子集中选择最优的属 性用于划分

2、随机选择特征； 3、构建决策树； 4、随机森林投票（平均）。 RF通常对分类问题使用简单投票法，回归任务使用简单平均法。

1.2 优缺点 　　随机森林的优点较多，简单总结： 　　1、在数据集上表现良好，相对于其他算法有较大的优势（训练速度、预测准确度）； 　　2、能够处理很高维的数据，并且不用特征选择，而且在训练完后，给出特征的重要性； 　　3、容易做成并行化方法。 　　 　　RF的缺点：在噪声较大的分类或者回归问题上回过拟合。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。