В машинном обучении случайный лес — это мета-оценщик, который подгоняет ряд классификаторов дерева решений к различным подвыборкам набора данных и использует усреднение для повышения точности прогнозирования и борьбы с переподгонкой. Размер подвыборки всегда такой же, как и размер исходной входной выборки, но выборки берутся с заменой, если bootstrap=true (по умолчанию).
Классификатор случайного леса — это метод ансамблевого обучения для классификации, регрессии и других задач, который работает путем построения множества деревьев решений во время обучения и вывода класса, который является модой классов (классификация) или средним прогнозом (регрессия) отдельных деревьев.
В этой статье блога мы обсудим, как объединить выбранные объекты дерева решений из случайного леса.
Существует два основных способа объединения выбранных объектов дерева решений из случайного леса:
- Использовать встроенную функцию в Scikit-learn: randomforestclassifier.feature_importances_.
Первый метод очень прост в использовании. Вам просто нужно вызвать функцию на вашей обученной модели, и она вернет массив с импортом признаков. Второй метод требует немного больше работы, но он более гибкий, так как вы можете указать, какие признаки вы хотите включить в расчет пермутационного импорта.
Оба метода являются действительными способами объединения выбранных объектов дерева решений из случайного леса. Какой из них вы выберете, зависит от ваших конкретных потребностей и предпочтений.