分类预测 | MATLAB实现RF(随机森林)分类预测
目录
*
– 分类预测 | MATLAB实现RF(随机森林)分类预测
–
+ 基本介绍
+ 算法描述
+ 程序设计
+ 参考资料
基本介绍
随机森林（Random Forest，RF）算法由Leo Breiman和Adele Cutler提出，可以用来解决分类或回归等问题。
- 基本单元：决策树
- 思想：集成学习（Bagging）
- 优点：具有极好的准确率；能够有效地运行在大数据集上；能够处理具有高维特征的输入样本，而且不需要降维；能够评估各个特征在分类问题上的重要性；抗过拟合能力比较强；对于缺省值问题也能够获得很好得结果。
- 缺点：对于小数据或者低维数据（特征较少的数据），可能难以产生较好的分类；在解决回归问题时，并没有在分类中表现的那么好。
算法描述
- Bagging算法通过对训练样本有放回地抽取，由此产生多个训练数据的子集，并在每一个训练集的子集上训练一个分类器，
Original: https://blog.csdn.net/kjm13182345320/article/details/124447318
Author: 机器学习之心
Title: 分类预测 | MATLAB实现RF(随机森林)分类预测
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/622805/
转载文章受原作者版权保护。转载请注明原作者出处！