Scikit-learn

• 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

• 参考 [2] [3]

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。