机器学习_分类_随机森林

它也是最常用的算法之一,随机森林建立了多个决策树,并将它们合并在一起以获得更准确和稳定的预测。随机森林的一大优势在于它既可用于分类,也可用于回归问题

随机森林的主要限制在于使用大量的树会使算法变得很慢,并且无法做到实时预测。一般而言,这些算法训练速度很快,预测十分缓慢。越准确的预测需要越多的树,这将导致模型越慢。在大多数现实世界的应用中,随机森林算法已经足够快,但肯定会遇到实时性要求很高的情况,那就只能首选其他方法。

随机森林和Adaboost,以及区别:

bagging 随机森林,不同的分类器是通过串行训练而获得的,每个新分
类器都根据已训练出的分类器的性能来进行训练
分类器权重相等.

boost :— §是通过集中关注被已有分类器错分的那些数据来获得新的分类器。
匕0081丨明分类的结果是基于所有分类器的加权求和结果的,分类器权重并不相等,每个权重代表的是其对应分类器在上一轮迭代中的成功度

说一下GBDT和Adaboost,以及区别

Bagging + 决策树 = 随机森林

2)AdaBoost + 决策树 = 提升树

3)Gradient Boosting + 决策树 = GBDT

最后修改:2020 年 07 月 18 日
如果觉得我的文章对你有用,请随意赞赏