目前平台处于试运行阶段,如有任何问题或建议,请发送邮件至 service@dataju.cn 或加入QQ群 565136792 联系管理员。

满足不同角色需求:领域专家 数据管理者 数据科学家 科研人员、高校教师及研究生 数据分析爱好者
Random Forest 多分类方法
1055次浏览 dataju 于 2016-07-10 发布
该内容是由用户自发提供,聚数力平台仅提供平台,让大数据应用过程中的信息实现共享、交易与托管。如该内容涉及到您的隐私或可能侵犯版权,请告知我们及时删除。
分析方法描述
随机森林(Random Forests,RF)是一个以决策树为基础分类器的集成分类器。大量文件及实证研究表明,随机森林比单棵的决策树更稳健,泛化性能能好。它可以被看成是Boost aggregating与特征随机选取两者思想结合而来。从算法上看随机森林的训练、分类过程并不复杂。首先,从给定的训练集通过多次随机的可重复的采样得到多个 bootstrap 数据集。接着,对每个 bootstrap 数据集构造一棵决策树。然后,在每个叶节点处通过统计训练集中达到此叶节点的分类标签的直方图经验的估计此叶节点上的类分布。这样的迭代训练过程一直执行到用户设定的最大树深度或者直到不能通过继续分割获取更大的信息增益为止。
分析方法参数
# 名称 描述
1 森林中树的数量 森林中树的数量
2 每棵树中属性的数量 每棵树中属性的数量
3 树的最大深度 树的最大深度,0为不限制最大深度。
相关应用案例
# 应用案例名称 应用案例介绍
1 UCI Wine 数据集 Random Forest 建模预测红酒品质 UCI Wine 数据集 Random Forest 建模预测红酒品质
参考资料
暂无

目前平台处于试运行阶段,如有任何问题或建议,请发送邮件至 service@dataju.cn 或加入QQ群 565136792 联系管理员。