随机森林是什么？
随机森林是一种基于 Bagging 集成学习思想的机器学习算法，由多棵决策树组成。它的基本思想是通过对训练数据集进行有放回的随机抽样，生成多个不同的训练子集，然后在每个训练子集上训练一棵决策树，最后将这些决策树的预测结果进行综合，得到最终的预测结果。
在训练过程中，随机森林还引入了特征随机选择的机制，即在每棵决策树的每个节点分裂时，从所有特征中随机选择一部分特征进行考虑，进一步增加了模型的多样性。随机森林可以用于分类和回归任务，在分类任务中，通常采用投票法来确定最终的类别；在回归任务中，采用平均法来得到最终的预测值。
随机森林具有很高的准确性和鲁棒性，对异常值和噪声不敏感，能够处理高维数据，并且不需要对数据进行过多的预处理。同时，它还可以提供特征重要性的评估，帮助用户了解各个特征对模型的贡献程度。
如何衡量分类好坏？
衡量分类好坏有多种方法，常用的有准确率、精确率、召回率、F1 值、ROC 曲线与 AUC 值等。
-
准确率：是指分类正确的样本数占总样本数的比例，计算公式为：准确率 = （分类正确的样本数）/（总样本数）。准确率越高，说明分类器整体的分类效果越好，但在正负样本不平衡的情况下，准确率可能会产生误导。
-
精确率
订阅专栏 解锁全文
761
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
