如果采用非等权重的方法集成一个随机森林,会表现得更好嘛?

  统计/机器学习 监督式学习 开放问题    浏览次数:4150        分享
0

随机森林只支持等权重地集成所有的决策树,如果我们根据每个树的预测精度来给每棵树设置不同的权重,那么这样的到的随机森林会更好嘛?

 

robertt   2018-07-05 03:37



   1个回答 
3

我觉得不会。因为随机森林中每棵树见到的数据子集(sample with replacement)和特征都不一样,很难衡量一棵树比另一棵好。一个极端的例子,有棵树训练用到所有数据和特征,达到过拟合,训练错误为0,如果它权重很大,那结果接近于一棵树的结果,测试错误会较大。按训练误差给树加权重,本质上是减弱随机性,更倾向于达到过拟合。

但实际效果要试试才知道,可能针对不同数据和参数,效果会不同。而且树权重分布的设计也很重要。

这篇论文用准确率做权重,号称有改进。

SofaSofa数据科学社区DS面试题库 DS面经

Zealing   2018-07-05 08:20



  相关讨论

Gradient tree boosting和random forest (随机森林) 有什么区别和联系

剪枝是什么意思

决策树是如何得到量化的概率,不只是0或1的标签?

lightgbm使用自定义损失函数后,二分类的预测结果不再是【0,1】区间

Extra Tree算法

决策树怎么做增量学习或者online学习?

随机森林中增加树的数量对于偏差和方差的影响

决策树可以做多元分类吗?

随机森林是如何计算测试样本的概率的?

请问针对Adaboost、GBDT等集成学习同一个特征是否可以入模多次?

  随便看看

机器学习中的奥卡姆剃刀原理是什么意思

R里线性回归结果中最后的F-statistic什么意思?有什么用?

pandas.DataFrame的index重新排列(从0开始)

NLP里的OOV是什么意思?

怎么把pandas dataframe中的一列转成一个list?