隨機森林小結

（隨機森林的構建有兩個方面：行取樣和列取樣——樣本的隨機選取，以及待選特徵的隨機選取。

即樣本的隨機：從樣本集中用bootstrap隨機選取n個樣本；

特徵的隨機：從所有屬性中隨機選取k個屬性，選擇最佳分割屬性作為節點建立cart決策樹）

（5）訓練速度快，可以得到變數重要性排序

（6）實現比較簡單，高度並行化，易於分布式實現

3.缺點：

（1）忽略屬性之間的相關性

（2）隨機森林在某些噪音較大的分類或回歸問題上會過擬合； 

（3）對於有不同取值的屬性的資料，取值劃分較多的屬性會對隨機森林產生更大的影響。（如何解決？可以採用資訊增益比）

（4）當隨機森林中的決策樹個數很多時，訓練時需要的空間和時間會較大

4. 隨機森林的構建過程：

（1）從原始訓練集中使用bootstraping方法隨機有放回取樣選出m個樣本，共進行n_tree次取樣，生成n_tree個訓練集

（2）對於n_tree個訓練集，我們分別訓練n_tree個決策樹模型

（3）對於單個決策樹模型，假設訓練樣本特徵的個數為n，那麼每次**時根據資訊增益/資訊增益比/基尼指數選擇最好的特徵進行**

（4）每棵樹都一直這樣**下去，直到該節點的所有訓練樣例都屬於同一類。在決策樹的**過程中不需要剪枝

（區別碎碎念：

關於樹模型和線性模型有什麼區別呢？其中最重要的是，樹形模型是乙個乙個特徵進行處理，而線性模型是所有特徵給予權重相加得到乙個新的值。

決策樹與邏輯回歸的分類區別也在於此，邏輯回歸是將所有特徵變換為概率後，通過大於某一概率閾值的劃分為一類，小於某一概率閾值的為另一類；而決策樹是對每乙個特徵做乙個劃分。另外邏輯回歸只能找到線性分割（輸入特徵x與logit之間是線性的，除非對x進行多維對映），而決策樹可以找到非線性分割。

而樹形模型更加接近人的思維方式，可以產生視覺化的分類規則，產生的模型具有可解釋性（可以抽取規則）。

樹模型擬合出來的函式其實是分區間的階梯函式。

）參考：

還要感謝男朋友的總結參考⁄(⁄ ⁄•⁄ω⁄•⁄ ⁄)⁄

隨機森林小結

隨機森林的構建有兩個方面 行取樣和列取樣 樣本的隨機選取，以及待選特徵的隨機選取。即樣本的隨機 從樣本集中用bootstrap隨機選取n個樣本 特徵的隨機 從所有屬性中隨機選取k個屬性，選擇最佳分割屬性作為節點建立cart決策樹 5 訓練速度快，可以得到變數重要性排序 6 實現比較簡單，高度並行化，...

隨機森林演算法原理小結

整合學習原理 adaboost 演算法原理 整合學習有兩個流派，乙個是boosting，特點是各個弱學習器之間有依賴關係 乙個是bagging，特點是各個弱學習器之間沒依賴關係，可以並行擬合。在整合學習原理總結中，給出bagging的原理圖。1 bagging的特點 隨機取樣 隨機採集跟訓練集個數m...

Bagging與隨機森林演算法原理小結

bagging與隨機森林演算法原理小結 在整合學習 原理小結中，我們講到了整合學習有兩個流派，乙個是boosting派系，它的特點是各個弱學習器之間有依賴關係。另一種是bagging流派，它的特點是各個弱學習器之間沒有依賴關係，可以並行擬合。本文就對整合學習中bagging與隨機森林 演算法做乙個總...