没有合适的资源?快使用搜索试试~ 我知道了~
随机森林 full version1
需积分: 0 1 下载量 135 浏览量
2022-08-03
14:42:45
上传
评论
收藏 2.6MB PDF 举报
温馨提示
![preview](https://dl-preview.csdnimg.cn/86287496/0001-936eda5d5e477e2f0c60c09e2a646320_thumbnail.jpeg)
![preview-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/scale.ab9e0183.png)
试读
34页
1. 导入我们需要的包 2. 导入需要的数据集 3. 复习:sklearn建模的基本流程 4. 画出随机森林和决策树在一组交叉验证下的效果对比
资源详情
资源评论
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/86287496/bg1.jpg)
菜菜的scikit-learn课堂02
随机森林在sklearn中的实现
小伙伴们晚上好~o(
 ̄▽ ̄
)ブ
我是菜菜,这里是我的sklearn课堂第二期,今晚的直播内容是随机森林在sklearn中的实现和调参~
我的开发环境是Jupyter lab,所用的库和版本大家参考:
Python 3.7.1(你的版本至少要3.4以上
Scikit-learn 0.20.0 (你的版本至少要0.19
Numpy 1.15.3, Pandas 0.23.4, Matplotlib 3.0.1, SciPy 1.1.0
请扫码进群领取课件和代码源文件,扫描二维码后回复”K"就可以进群哦~
菜菜的sklearn课堂直播间: https://live.bilibili.com/12582510
sklearn专题第二期:随机森林
![](https://csdnimg.cn/release/download_crawler_static/86287496/bg2.jpg)
菜菜的scikit-learn课堂02
随机森林在sklearn中的实现
随机森林
1 概述
1.1 集成算法概述
1.2 sklearn中的集成算法
2 RandomForestClassifier
2.1 重要参数
2.1.1 控制基评估器的参数
2.1.2 n_estimators
2.1.3 random_state
2.1.4 bootstrap & oob_score
2.2 重要属性和接口
Bonus:Bagging的另一个必要条件
3 RandomForestRegressor
3.1 重要参数,属性与接口
criterion
重要属性和接口
3.2 实例:用随机森林回归填补缺失值
4 机器学习中调参的基本思想
5 实例:随机森林在乳腺癌数据上的调参
6 附录
6.1 Bagging vs Boosting
6.2 RFC的参数列表
6.3 RFC的属性列表
6.4 RFC的接口列表
菜菜的sklearn课堂直播间: https://live.bilibili.com/12582510
sklearn专题第二期:随机森林
![](https://csdnimg.cn/release/download_crawler_static/86287496/bg3.jpg)
集成算法的目标
集成算法会考虑多个评估器的建模结果,汇总之后得到一个综合的结果,以此来获取比单个模型更好的回归或
分类表现。
随机森林
1 概述
1.1 集成算法概述
集成学习(ensemble learning)是时下非常流行的机器学习算法,它本身不是一个单独的机器学习算法,而是通
过在数据上构建多个模型,集成所有模型的建模结果。基本上所有的机器学习领域都可以看到集成学习的身影,在
现实中集成学习也有相当大的作用,它可以用来做市场营销模拟的建模,统计客户来源,保留和流失,也可用来预
测疾病的风险和病患者的易感性。在现在的各种算法竞赛中,随机森林,梯度提升树(GBDT),Xgboost等集成
算法的身影也随处可见,可见其效果之好,应用之广。
多个模型集成成为的模型叫做集成评估器(ensemble estimator),组成集成评估器的每个模型都叫做基评估器
(base estimator)。通常来说,有三类集成算法:装袋法(Bagging),提升法(Boosting)和stacking。
装袋法的核心思想是构建多个相互独立的评估器,然后对其预测进行平均或多数表决原则来决定集成评估器的结
果。装袋法的代表模型就是随机森林。
提升法中,基评估器是相关的,是按顺序一一构建的。其核心思想是结合弱评估器的力量一次次对难以评估的样本
进行预测,从而构成一个强评估器。提升法的代表模型有Adaboost和梯度提升树。
1.2 sklearn中的集成算法
sklearn中的集成算法模块ensemble
菜菜的sklearn课堂直播间: https://live.bilibili.com/12582510
sklearn专题第二期:随机森林
![](https://csdnimg.cn/release/download_crawler_static/86287496/bg4.jpg)
类 类的功能
ensemble.AdaBoostClassifier AdaBoost分类
ensemble.AdaBoostRegressor Adaboost回归
ensemble.BaggingClassifier 装袋分类器
ensemble.BaggingRegressor 装袋回归器
ensemble.ExtraTreesClassifier Extra-trees分类(超树,极端随机树)
ensemble.ExtraTreesRegressor Extra-trees回归
ensemble.GradientBoostingClassifier 梯度提升分类
ensemble.GradientBoostingRegressor 梯度提升回归
ensemble.IsolationForest 隔离森林
ensemble.RandomForestClassifier 随机森林分类
ensemble.RandomForestRegressor 随机森林回归
ensemble.RandomTreesEmbedding 完全随机树的集成
ensemble.VotingClassifier 用于不合适估算器的软投票/多数规则分类器
集成算法中,有一半以上都是树的集成模型,可以想见决策树在集成中必定是有很好的效果。在这堂课中,我们会
以随机森林为例,慢慢为大家揭开集成算法的神秘面纱。
复习:sklearn中的决策树
在开始随机森林之前,我们先复习一下决策树。决策树是一种原理简单,应用广泛的模型,它可以同时被用于分类
和回归问题。决策树的主要功能是从一张有特征和标签的表格中,通过对特定特征进行提问,为我们总结出一系列
决策规则,并用树状图来呈现这些决策规则。
菜菜的sklearn课堂直播间: https://live.bilibili.com/12582510
sklearn专题第二期:随机森林
![](https://csdnimg.cn/release/download_crawler_static/86287496/bg5.jpg)
决策树的核心问题有两个,一个是如何找出正确的特征来进行提问,即如何分枝,二是树生长到什么时候应该停
下。
对于第一个问题,我们定义了用来衡量分枝质量的指标不纯度,分类树的不纯度用基尼系数或信息熵来衡量,回归
树的不纯度用MSE均方误差来衡量。每次分枝时,决策树对所有的特征进行不纯度计算,选取不纯度最低的特征进
行分枝,分枝后,又再对被分枝的不同取值下,计算每个特征的不纯度,继续选取不纯度最低的特征进行分枝。
每分枝一层,树整体的不纯度会越来越小,决策树追求的是最小不纯度。因此,决策树会一致分枝,直到没有更多
的特征可用,或整体的不纯度指标已经最优,决策树就会停止生长。
决策树非常容易过拟合,这是说,它很容易在训练集上表现优秀,却在测试集上表现很糟糕。为了防止决策树的过
拟合,我们要对决策树进行剪枝,sklearn中提供了大量的剪枝参数,我们一会儿会带大家复习一下。
菜菜的sklearn课堂直播间: https://live.bilibili.com/12582510
sklearn专题第二期:随机森林
剩余33页未读,继续阅读
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![avatar](https://profile-avatar.csdnimg.cn/e2eca62cecb747278803600df3c2e572_weixin_35765225.jpg!1)
稚气筱筱
- 粉丝: 16
- 资源: 320
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
- Java项目-基于SSM+JSP的超市管理系统的设计与实现(源码+数据库脚本+部署视频+代码讲解视频+全套软件)
- 基于STM32F103C8T6、LCD1602、MCP4131(spi)接口数字电位器应用proteus仿真设计
- Java项目-基于SSM+JSP的个人交友网站的设计与实现(源码+数据库脚本+部署视频+代码讲解视频+全套软件)
- TM3400FN-VB一款SOT23封装N-Channel场效应MOS管
- Java项目-基于SSM+JSP的母婴用品网站的设计与实现(源码+数据库脚本+部署视频+代码讲解视频+全套软件)
- Git基本技巧、基本指令操作等.pdf
- Wireshark抓取http数据包并分析获明文密码+实验指导书+抓取的数据包
- Quectel-RG200U&Rx500U系列-AT命令手册-V1.0
- Java项目-基于SSM+JSP的医院门诊挂号系统的设计与实现(源码+数据库脚本+部署视频+代码讲解视频+全套软件)
- 大一实训基于Java的打地鼠小游戏项目
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)
评论0