台大机器学习听课笔记---Random Forest 10-1
2015-05-25 21:24
267 查看
用Bagging的方式把一堆Decision Tree合起来---Random Forest
优点:
1. Bagging部分平行化,学习比较高效。
2. 继承了CART---DecisionTree的高效,继承了CART能处理多种class,多种特征(那几种?)。
3. 消除了CART对资料太敏感,容易overfit的缺陷。
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Bagging:
1.
1. 每次从总特征中选出一部分特征子集 ,即投影操作。
2. 特征子集基础上再re-sample,得到subspace,根据subspace里的特征进行切割,获得“小区”。
3. Bagging可以应用到除了CART外的其他算法中。
2.
注:P为投影矩阵,X为特征矩阵。
1.,Pi为投影向量。
2.通常选择的投影方式
即在Pi中只有相对较少个非零组成元素。(每次投影很少量的特征来进行切割)。
3.?
4.每一次要做Branch的时候都用一次新的。
Ps :1.random不仅存在于Bagging过程中,也存在于CART的每一次Branch中。
2. Fun time:
Q:
A:
每次Branch过程和感知机比较类似。
优点:
1. Bagging部分平行化,学习比较高效。
2. 继承了CART---DecisionTree的高效,继承了CART能处理多种class,多种特征(那几种?)。
3. 消除了CART对资料太敏感,容易overfit的缺陷。
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Bagging:
1.
1. 每次从总特征中选出一部分特征子集 ,即投影操作。
2. 特征子集基础上再re-sample,得到subspace,根据subspace里的特征进行切割,获得“小区”。
3. Bagging可以应用到除了CART外的其他算法中。
2.
注:P为投影矩阵,X为特征矩阵。
1.,Pi为投影向量。
2.通常选择的投影方式
即在Pi中只有相对较少个非零组成元素。(每次投影很少量的特征来进行切割)。
3.?
4.每一次要做Branch的时候都用一次新的。
Ps :1.random不仅存在于Bagging过程中,也存在于CART的每一次Branch中。
2. Fun time:
Q:
A:
每次Branch过程和感知机比较类似。
相关文章推荐
- 听课笔记(第十三讲): 过拟合 - Overfitting (台大机器学习)
- 听课笔记(第十三讲): 过拟合 - Overfitting (台大机器学习)
- 听课笔记(第十二讲): 非线性转换 (台大机器学习)
- 听课笔记(第十一讲): 线性分类模型 (台大机器学习)
- 听课笔记(第十讲): 逻辑斯蒂回归 (台大机器学习)
- 听课笔记(第九讲): 线性回归 (台大机器学习)
- 听课笔记(第八讲): 噪音和错误 (台大机器学习)
- 台大机器学习听课笔记---RF 10-2 Out-Of-Bag Estimate
- 台大机器学习听课笔记---基石 9-1 Linear Regression
- 听课笔记(第七讲): VC维理论 (台大机器学习)
- 听课笔记(第六讲): 归纳理论(台大机器学习)
- 台大机器学习听课笔记---Bagging 7-4
- 台大机器学习听课笔记---RF 10-3 Feature Selection
- 台大机器学习笔记——Adaboost
- 听课笔记(第三讲): 机器学习的分类学 (台湾国立大学机器学习基石)
- Coursera台大机器学习技法课程笔记03-Kernel Support Vector Machine
- Andrew NG 机器学习听课笔记(2)——过学习与欠学习,最小二乘的概率意义、logistic回归
- [台大机器学习笔记整理]perceptron learning algorithm
- 台大-林轩田老师-机器学习基石学习笔记2
- Coursera台大机器学习课程笔记4 -- Training versus Testing