Random Forest(sklearn参数详解) (转载)
来源:互联网 发布:济南软件培训机构 编辑:程序博客网 时间:2024/05/22 01:35
一、代码怎么写
二、关于参数
其中关于决策树的参数:
criterion: ”gini” or “entropy”(default=”gini”)是计算属性的gini(基尼不纯度)还是entropy(信息增益),来选择最合适的节点。
splitter: ”best” or “random”(default=”best”)随机选择属性还是选择不纯度最大的属性,建议用默认。
max_features: 选择最适属性时划分的特征不能超过此值。
当为整数时,即最大特征数;当为小数时,训练集特征数*小数;
if “auto”, then max_features=sqrt(n_features).
If “sqrt”, thenmax_features=sqrt(n_features).
If “log2”, thenmax_features=log2(n_features).
If None, then max_features=n_features.
max_depth: (default=None)设置树的最大深度,默认为None,这样建树时,会使每一个叶节点只有一个类别,或是达到min_samples_split。
min_samples_split:根据属性划分节点时,每个划分最少的样本数。min_samples_leaf:叶子节点最少的样本数。
max_leaf_nodes: (default=None)叶子树的最大样本数。
min_weight_fraction_leaf: (default=0) 叶子节点所需要的最小权值
verbose:(default=0) 是否显示任务进程关于随机森林特有的参数:
n_estimators=10:决策树的个数,越多越好,但是性能就会越差,至少100左右(具体数字忘记从哪里来的了)可以达到可接受的性能和误差率。
bootstrap=True:是否有放回的采样。
oob_score=False:oob(out of band,带外)数据,即:在某次决策树训练中没有被bootstrap选中的数据。多单个模型的参数训练,我们知道可以用cross validation(cv)来进行,但是特别消耗时间,而且对于随机森林这种情况也没有大的必要,所以就用这个数据对决策树模型进行验证,算是一个简单的交叉验证。性能消耗小,但是效果不错。
n_jobs=1:并行job个数。这个在ensemble算法中非常重要,尤其是bagging(而非boosting,因为boosting的每次迭代之间有影响,所以很难进行并行化),因为可以并行从而提高性能。1=不并行;n:n个并行;-1:CPU有多少core,就启动多少job
warm_start=False:热启动,决定是否使用上次调用该类的结果然后增加新的。
class_weight=None:各个label的权重。
进行预测可以有几种形式:
predict_proba(x):给出带有概率值的结果。每个点在所有label的概率和为1.
predict(x):直接给出预测结果。内部还是调用的predict_proba(),根据概率的结果看哪个类型的预测值最高就是哪个类型。
predict_log_proba(x):和predict_proba基本上一样,只是把结果给做了log()处理。
- Random Forest(sklearn参数详解) (转载)
- Random Forest(sklearn参数详解)
- sklearn random forest实验
- Random Forest算法中的参数详解
- 系列 《使用sklearn进行集成学习——理论》 《使用sklearn进行集成学习——实践》 目录 1 Random Forest和Gradient Tree Boosting参数详解 2 如何调参?
- Random Forest 原理解释机器参数说明
- PCA(sklearn参数详解)
- RandForest(sklearn)参数详解
- GBDT(sklearn)参数详解
- Random Forest
- Random Forest
- random forest
- Random Forest
- Random Forest算法参数解释及调优
- sklearn.ensemble.RandomForest 参数详解
- online random forest
- 随机森林Random Forest
- 随机森林--Random Forest
- Python strip() 和split() 函数
- java中总结的比较好的资源
- Json和jsonlib插件包的使用
- HTTPS 原理浅析及其在 Android 中的使用
- @Deprecated注解的含义
- Random Forest(sklearn参数详解) (转载)
- Harris算子总结
- Dagger2教程六之Component的组织方法(原)
- Linux 开启80端口访问权限
- Paxos算法总结
- 网络协议格式(二)
- 一个模拟下雪效果SnowingView
- RSA加密算法原理
- MySQL出现Waiting for table metadata lock的原因以及解决方法