Random Forest 实用经验(转)
来源:互联网 发布:爱五子棋打谱软件 编辑:程序博客网 时间:2024/06/13 10:53
总结两条关于random forest的实用经验。给定数据和问题,对于算法选择有参考价值。
- 小样本劣势,大样本优势
小样本情况下(1k~100k): RF相对与经典算法(SVM or Boosting)没优势,一般来说效果更差
大样本情况下(1M+): 这时候其他算法基本上跑不动了。RF凭借着快速的 training 和 testing,成为唯一能够实际操作的算法。 这也从一个侧面证明了工业界的哲学:数据第一,算法第二
如何针对不同问题,设计使用RF的方法,从而能够产生海量数据,是一门艺术
2. RF 与 KNN有相似的效果
RF 和 KNN 都可以看成对空间劈分的算法。RF 对空间的劈分是预计算的(在training过程中确定);而 KNN则是根据 testing sample adaptively劈分空间的。可以将RF视为KNN的一种快速算法。
KNN做不好的问题,RF也做不好
转自于
https://www.douban.com/note/212245564/
关于Knn和Random Forests的感觉
http://kkx.github.io/
0 0
- Random Forest 实用经验(转)
- 随机森林(Random Forest)
- 随机森林(Random Forest)
- random forest(随机森林)
- 随机森林(Random Forest)
- Random Forest
- Random Forest
- random forest
- Random Forest
- 【转自cvchina】online random forest
- R训练Random Forest并转pmml
- 随机森林(Random Forest)(RF)
- 随机森林(Random Forest)(一)
- 肤色检测(分割)via Random Forest
- Random Forest 资源汇总(待续)
- 机器学习:随机森林(Random Forest)
- 随机森林(Random Forest)模型
- 随机森林(Random Forest, RF)
- 基础算法之冒泡排序
- abort remove_if of vector
- C++卷积神经网络实例:tiny_cnn代码详解(2)——代码试运行
- http session
- 《众病之王-癌症传》
- Random Forest 实用经验(转)
- TCP /IP 协议-(传输层)TCP 协议
- 糖果机器人_0001_简单的界面设计
- 50道编程小题目
- 配置跟踪开关
- Mac virtualBox 微软官方Win7镜像下载安装全过程
- 人生三大遗憾
- poj3050
- Activity生命周期测试结果分析