Câu hỏi được gắn thẻ «random-forest»

Rừng ngẫu nhiên là một bộ phân loại học máy dựa trên việc chọn các tập hợp con ngẫu nhiên của các biến cho mỗi cây và sử dụng đầu ra cây thường xuyên nhất làm phân loại tổng thể.


7
ValueError: Đầu vào chứa NaN, vô cực hoặc giá trị quá lớn đối với dtype ('float32')
Tôi đã nhận được ValueError khi dự đoán dữ liệu thử nghiệm bằng mô hình RandomForest. Ma cua toi: clf = RandomForestClassifier(n_estimators=10, max_depth=6, n_jobs=1, verbose=2) clf.fit(X_fit, y_fit) df_test.fillna(df_test.mean()) X_test = df_test.values y_pred = clf.predict(X_test) Lỗi: ValueError: Input contains NaN, infinity or a value too large for dtype('float32'). Làm cách nào …

1


3
Hiểu dự đoán_proba từ MultiOutputClassifier
Tôi đang theo dõi ví dụ này trên trang web scikit-learn để thực hiện phân loại đa mục tiêu với mô hình Rừng ngẫu nhiên. from sklearn.datasets import make_classification from sklearn.multioutput import MultiOutputClassifier from sklearn.ensemble import RandomForestClassifier from sklearn.utils import shuffle import numpy as np X, y1 = make_classification(n_samples=5, n_features=5, …


4
Làm rừng ngẫu nhiên quá sức?
Tôi đã đọc xung quanh về Khu rừng ngẫu nhiên nhưng tôi thực sự không thể tìm thấy câu trả lời dứt khoát về vấn đề thừa. Theo bài báo gốc của Breiman, họ không nên quá phù hợp khi tăng số lượng cây trong rừng, nhưng dường như không …




5
làm cho bản đồ nhiệt biển lớn hơn
Tôi tạo một corr()df từ một df gốc. Các corr()df ra 70 X 70 và nó là không thể hình dung Heatmap ... sns.heatmap(df). Nếu tôi cố gắng hiển thị corr = df.corr(), bảng không vừa với màn hình và tôi có thể thấy tất cả các mối tương quan. …
16 visualization  pandas  plotting  machine-learning  neural-network  svm  decision-trees  svm  efficiency  python  linear-regression  machine-learning  nlp  topic-model  lda  named-entity-recognition  naive-bayes-classifier  association-rules  fuzzy-logic  kaggle  deep-learning  tensorflow  inception  classification  feature-selection  feature-engineering  machine-learning  scikit-learn  tensorflow  keras  encoding  nlp  text-mining  nlp  rnn  python  neural-network  feature-extraction  machine-learning  predictive-modeling  python  r  linear-regression  clustering  r  ggplot2  neural-network  neural-network  training  python  neural-network  deep-learning  rnn  predictive-modeling  databases  sql  programming  distribution  dataset  cross-validation  neural-network  deep-learning  rnn  machine-learning  machine-learning  python  deep-learning  data-mining  tensorflow  visualization  tools  sql  embeddings  orange  feature-extraction  unsupervised-learning  gan  machine-learning  python  data-mining  pandas  machine-learning  data-mining  bigdata  apache-spark  apache-hadoop  deep-learning  python  convnet  keras  aggregation  clustering  k-means  r  random-forest  decision-trees  reference-request  visualization  data  pandas  plotting  neural-network  keras  rnn  theano  deep-learning  tensorflow  inception  predictive-modeling  deep-learning  regression  sentiment-analysis  nlp  encoding  deep-learning  python  scikit-learn  lda  convnet  keras  predictive-modeling  regression  overfitting  regression  svm  prediction  machine-learning  similarity  word2vec  information-retrieval  word-embeddings  neural-network  deep-learning  rnn 


1
Phương pháp tính điểm OOB RandomForestClassifier
Là việc triển khai rừng ngẫu nhiên trong scikit-learn sử dụng độ chính xác trung bình làm phương pháp tính điểm của nó để ước tính lỗi tổng quát hóa với các mẫu ngoài túi? Điều này không được đề cập trong tài liệu, nhưng phương thức points () báo …

1
Có bao nhiêu tính năng để lấy mẫu bằng cách sử dụng Rừng ngẫu nhiên
Các trang Wikipedia mà dấu ngoặc kép "The Elements of Learning thống kê" cho biết: Thông thường, đối với một vấn đề phân loại với các tính năng , các tính năng được sử dụng trong mỗi lần phân chia.ppp⌊ p-√⌋⌊p⌋\lfloor \sqrt{p}\rfloor Tôi hiểu rằng đây là một phỏng đoán …


Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.