特征的维数灾难 ，特征越多所需要的数据呈指数级增加
通过过滤和封装来选择特征。
特征的想关性 ， 有用的特征和无用的特征。
特征选择
2017-11-25
993
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
相关文章
|
5月前
|
机器学习/深度学习
存储
集成学习方法——随机森林
之前我们介绍过决策树，随机森林(Random Forest)是将多个决策树(Decision Tree)组合在一起形成一个强大的分类器或回归器，是一种集成学习(Ensemble Learning)方法。
随机森林的主要思想是通过随机选择样本和特征来构建多个决策树，并通过集成这些决策树的预测结果来达到更准确的分类或回归结果。具体步骤如下：
随机选择部分训练样本集；
随机选择部分特征子集；
构建决策树，对每个节点进行特征选择和分裂；
再进行重复，构建多个决策树；
对每个决策树，根据投票或平均值等方法，获得最后的分类或回归结果。
46
1
1
|
8月前
|
机器学习/深度学习
算法
|
6月前
|
机器学习/深度学习
存储
随机森林是什么？
随机森林(Random Forest)是将多个决策树(Decision Tree)组合在一起形成一个强大的分类器或回归器，是一种集成学习(Ensemble Learning)方法。
随机森林的主要思想是通过随机选择样本和特征来构建多个决策树，并通过集成这些决策树的预测结果来达到更准确的分类或回归结果。具体步骤如下：
236
1
1
|
2月前
|
机器学习/深度学习
数据采集
算法
|
5月前
|
机器学习/深度学习
算法
数据库
决策树与随机森林算法
决策树和随机森林都是用于分类和回归的的算法。决策树的原理是通过一系列的问题进行if、else的推导。随机森林是集合学习算法，即把很多的机器学习算法综合在一起组成一个更大的模型。
55
0
0
|
7月前
|
机器学习/深度学习
算法
Python
|
10月前
|
机器学习/深度学习
数据采集
算法
|
10月前
|
12月前
|
机器学习/深度学习
|
机器学习/深度学习
算法
前端开发
集成学习方法之随机森林
集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。
104
0
0
