随机森林（Random Forest）| 分类 + 回归 | 原理 + 案例 + 用法

随机森林（Random Forest）| 分类 + 回归 | 原理 + 案例 + 用法 | 机器学习必学算法

已完结

课程简介

本课程系统讲解随机森林算法，从集成学习原理到 Bootstrap 采样细节，轻松理解各个细节，并手把手教你用 scikit-learn 实现分类与回归任务，零基础也能快速掌握核心技能，轻松应对实战问题。

章节目录

互动留言

1/4 《随机森林》（一）准备工作

随机森林（Random Forest）是一种基于集成学习思想的监督学习算法，广泛用于分类和回归任务。随机森林在很多不同的领域表现出色，如金融市场预测、客户流失预测、医疗诊断等。它不仅在结构化数据集上表现良好，还可以用于非结构化数据，例如图像处理、文本分类等，显示出其广泛的应用潜力。因此，成为机器学习领域不可或缺的工具。课程学习目标：深入理解随机森林算法原理能够应用随机森林解决问题授课环境：... 查看完整内容

2/4 《随机森林》（二）算法初探

随机森林（Random Forest）能够用于分类和回归任务。通过两个应用案例来学习如何使用随机森林来解决分类和回归问题，以及算法的基本原理。 1. 算法使用 from sklearn.ensemble import RandomForestClassifier from sklearn.ensemble import RandomForestRegressor from sklearn.data... 查看完整内容

3/4 《随机森林》（三）算法细节

对于随机森林算法而言，预测过程非常简单，易于理解。理解的重点是其如何训练多个基学习器来构建强学习器。 1. 有放回采样随机森林基于原始训练集通过有放回的采样（Bootstrap Sampling）产生不同的数据子集来训练多个决策树。有放回采样，指从总体中每次抽取一个样本后，将该样本重新放再回总体中，然后再进行下一次抽样。假设：你有一个装有 5 个不同颜色球的袋子，球的编号分别为：1、2、3、... 查看完整内容

4/4 《随机森林》（四）算法实现

scikit-learn 提供了 RandomForestClassifier 和 RandomForestRegressor 两个随机森林的实现，用于分类和回归任务。为了能够更好的使用随机森林，我们需要详细了解该实现的相关参数含义。 1. 基本参数下面是 scikit-learn 1.3.0 随机森林实现的参数。 # 基学习器数量 n_estimators=100, # 评估分裂质量的指标 c... 查看完整内容