“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] |
||
====分类==== |
|||
*sklearn.ensemble import RandomForestClassifier |
|||
*n_estimators：随机森林中「树」的数量。 |
*n_estimators：随机森林中「树」的数量。 |
||
*max_features：每个分割处的特征数。 |
*max_features：每个分割处的特征数。 |
||
| 第19行： | 第21行： | ||
*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。） |
*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。） |
||
*n_jobs: 可以决定要使用多少处理器内核来运行模型。设置「n_jobs = -1」将使模型运行最快，因为它使用了所有计算机核心。 |
*n_jobs: 可以决定要使用多少处理器内核来运行模型。设置「n_jobs = -1」将使模型运行最快，因为它使用了所有计算机核心。 |
||
====回归==== |
|||
*sklearn.ensemble.RandomForestRegressor |
|||
*所有的参数，属性与接口，全部和随机森林分类器一致。仅有的不同就是回归树与分类树的不同，不纯度的指标， 参数Criterion不一致。 |
|||
2022年1月16日 (日) 14:08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
随机森林
分类
- sklearn.ensemble import RandomForestClassifier
- n_estimators：随机森林中「树」的数量。
- max_features：每个分割处的特征数。
- max_features = 'sqrt' 这意味着如果有16个特征，则在每个树中的每个节点处，只考虑4个随机特征来拆分节点。
- max_depth：每棵树可以拥有的最大「分裂」数。
- 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。）
- n_jobs: 可以决定要使用多少处理器内核来运行模型。设置「n_jobs = -1」将使模型运行最快，因为它使用了所有计算机核心。
回归
- sklearn.ensemble.RandomForestRegressor
- 所有的参数，属性与接口，全部和随机森林分类器一致。仅有的不同就是回归树与分类树的不同，不纯度的指标， 参数Criterion不一致。