回答情况：
提问时间：
问题标签：
当运行一个包含500棵树的随机生存森林时，由于内存问题，在R中使用randomForestSRC包需要很长时间。那么，我可以运行10个随机存活森林，在相同的数据上有50棵树，每次使用不同的种子，并平均10个随机森林的结果(除以10)，这样我就可以得到与500棵树的结果相当相似的结果吗？
浏览 0修改于2019-07-05得票数 0
1回答
我在随机森林中使用了重复的交叉验证，如下所示: k=10 repeat =3我已经将我的随机森林设置为生长一千棵树，并在每个节点上使用6个变量进行拆分: ntree =1000mtry=6我需要了解交叉验证的每次迭代是否构建1000棵树:k=10 1.rep1: mtry =6(此迭代是否构建1000棵树？)fold 2.rep2: mtry =6(此迭代是否构建1000棵树？？) 或者所有交叉验证迭代的总和为100
浏览 26修改于2019-04-26得票数 0
据我所知，随机森林是树木套袋的程式化版本。我们选择随机数据点和随机特征来构造随机森林。但是，如果我们只使用普通版本的套袋，只随机选择数据点，那么我们就有了树，它们已经训练了更多的特征，不像样式化版本中的随机森林。由于学习具有更多的特征，每个个体树都有更多关于数据点的信息，因此在某种意义上比随机森林中的个体树更“智能”。
那么，为什么使用套袋的程式
浏览 0修改于2017-07-11得票数 4
回答已采纳
随机森林对LightGBMLightGBM和RF在树的构建方式上有所不同:顺序和结果的组合方式。结果表明，如果对参数进行仔细调整，GBM的性能要优于射频。随机森林: RFs使用随机数据样本对每棵树进行独立的训练。这种随机性有助于使模型比单个决策树更健壮，并且更不适合于训练数据。
我的问题
浏览 0提问于2019-11-18得票数 9
回答已采纳
为什么在某些情况下，具有n_estimators =1的随机林执行的性能比决策树差，即使在将引导设置为false之后？尝试使用不同的机器学习模型来预测信用卡的违约率，我尝试了随机森林和决策树，但随机森林的表现似乎较差，然后尝试了只有一棵树的随机森林，因此它应该与决策树相同，但性能仍然较差。
浏览 9提问于2022-11-03得票数 0
我喜欢装袋对每棵树的训练集进行随机重采样，随机森林为每棵树随机选择特征的子集。
我的问题是，随机森林是否也会对训练集以及随机特征子集进行重新采样。它实际上是双随机的吗？
浏览 7提问于2017-12-13得票数 1
回答已采纳
我使用reprtree包绘制了随机森林树，如下所示，reprtree:::plot.getTree(model23)
但是我不能解释树上的任何东西。有没有任何方法可以减小树的大小，或者有任何其他方法可以用代码在R中绘制一棵随机的森林树</em
浏览 20修改于2018-03-05得票数 2
我是R方面的新手，我需要知道如何绘制从随机森林训练模型中选择的树，该模型是使用插入符号包中的train ()函数创建的。谢谢。
浏览 1提问于2018-07-01得票数 0
1回答
考虑到随机森林中的单个树使用cart算法(或者可以配置为)，如果cart不能预测任何东西(空树)，那么为什么随机森林在相同的数据集中表现得更好。CART给出了空树，但随机森林即使在看不见的数据上也获得了相当的准确性。
浏览 0提问于2020-06-18得票数 2
在Matlab中，我们使用TreeBagger()方法对随机森林进行训练。此方法的参数之一是树的数量。我使用随机森林作为分类方法。如何确定随机森林的树木数量？
浏览 0修改于2018-10-22得票数 2
我创建了一个以随机森林作为基分类器的分类集合。每个随机森林都有500棵树。合共有100个这样的森林。多数票被用作投票方案。我期望分类器比单个随机森林的性能略好一些。然而，它的性能比随机森林差得多。
浏览 0修改于2018-04-09得票数 -1
我有一个随机森林模型。使用getTree函数，我可以获得在我的随机森林模型中创建的所有树。现在我想检查一下每棵树对一些观察结果所做的预测。出于这个原因，我需要使用我的随机森林模型中的每棵树进行预测。 我发现这个问题的目的是一样的。但是，不幸的是，这个问题还没有得到回答。
浏览 36修改于2019-09-20得票数 0
我无意中发现了这个博客，它展示了一个经过训练以适应经过适当训练的随机森林模型的预测的决策树是如何以与原始随机森林差不多的方式进行推广的。我对此很感兴趣，因为我是在嵌入式环境中实现ML的，在这种情况下，一个1000个例子射频是不可行的，但是一个更简单的10s分支树可能是可行的。
我的第一个问题是:这是不是太好了？我能看到的唯一缺点是，由于过度拟合的过程，生成的决策树将非常大，但在任何情况下，我都假设它比整个随机森林更简
浏览 0提问于2023-05-22得票数 1
回答已采纳
我试图在partykit包中使用基于模型的回归树来构建一个随机森林。我使用mob()函数构建了一个基于模型的树，其中包含一个用户定义的fit()函数，该函数在终端节点返回一个对象。在partykit中有cforest()，它只使用ctree()类型树。我想知道是否可以修改cforest()或编写一个新函数，该函数从基于模型的树构建随机森林，该树在终端节点返回对象。编辑:我所建的树与这里的-> 相似
如何使用类似
浏览 2修改于2020-08-26得票数 2
回答已采纳
在随机森林方法中，对每棵树随机选择一组固定大小的变量(特征)。但是一旦这个集合被冻结，树是否像一个规则的决策树算法？这是否意味着，在树的每个节点，我们随
浏览 0提问于2017-04-08得票数 4
回答已采纳
我目前正在使用R中的randomForest包来使用弹性映射约简来生成随机森林对象。这是为了解决分类问题。由于输入数据太大，无法在一台机器上容纳内存，所以我将数据采样到较小的数据集中，并生成包含较小树集的随机森林对象。然后，我使用一个修改的组合函数将不同的树组合在一起，以创建一个新的随机森林对象。这个随机森林对象包含了树的特征、重要性和最终集合。这不包括oob错误或树的投票。
虽然这在R中运行得很好
浏览 12修改于2017-05-23得票数 9
回答已采纳
我正试图确切地了解元随机森林分类器是如何确定最终预测的，我知道存在一个投票系统，并且使用决策树的聚合来找到最终的预测，我从这里读到：Python中的随机森林分类：我阅读了RFC源代码：合奏/森林：
输入样本的预测类别是森林中树木的投票，按其概率估计进行加权。这是否意味着，
浏览 0修改于2019-04-30得票数 5
回答已采纳
随机森林(RF)是由决策树的集合(DT)产生的。通过使用套袋，每个DT被训练成一个不同的数据子集。因此，是否可以通过对新数据增加更多的决策树来实现在线随机森林？例如，我们有10K样本，训练10DT样本，然后得到1K样本，而不是重新训练完全RF，我们添加了一个新DT。现在用10+1 DT的贝叶斯平均进行预测。
浏览 0提问于2014-10-20得票数 15
阅读一些文档(对于示例)，我知道有很多类型的决策树(Cart、ID3等等)。我还知道，随机森林是一种使用一组决策树的粒子算法。
我的问题是:在随机森林中，使用什么样的决策树？(cart，id3，.)
浏览 0提问于2022-03-21得票数 0
回答已采纳
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号