“Scikit-learn”的版本间差异
跳到导航
跳到搜索
(→随机森林) |
(→随机森林) |
||
第11行: | 第11行: | ||
===随机森林=== |
===随机森林=== |
||
* 参考 [https://zhuanlan.zhihu.com/p/51165358] [https://towardsdatascience.com/an-implementation-and-explanation-of-the-random-forest-in-python-77bf308a9b76] |
* 参考 [https://zhuanlan.zhihu.com/p/51165358] [https://towardsdatascience.com/an-implementation-and-explanation-of-the-random-forest-in-python-77bf308a9b76] |
||
*n_estimators:随机森林中「树」的数量。 |
|||
*n_estimators |
|||
*max_features:每个分割处的特征数。 |
|||
*max_features |
|||
*max_depth:每棵树可以拥有的最大「分裂」数。 |
|||
*min_samples_split |
|||
*min_samples_split:在树的节点分裂前所需的最少观察数。 |
|||
*min_samples_leaf:每棵树末端的叶节点所需的最少观察数。 |
|||
*bootstrap:是否使用 bootstrapping 来为随机林中的每棵树提供数据。(bootstrapping 是从数据集中进行替换的随机抽样。) |
2022年1月16日 (日) 12:53的版本
- python中的机器学习软件库:[1]
- Installed package of scikit-learn can be accelerated using scikit-learn-intelex. More details are available here: https://intel.github.io/scikit-learn-intelex. For example:
$ conda install scikit-learn-intelex $ python -m sklearnex my_application.py
包
- MLPRegressor回归,参考 http://www.weixueyuan.net/a/914.html