人大经济论坛 › 标签 › 工作原理

标签: 工作原理经管大学堂：名校名师名课

相关帖子	版块	作者	回复/查看	最后发表

股市技术指标实战系列之三：解读涨跌秘诀[PDF]	金融学（理论版）	老蚂蚁 2012-8-15	6 5450	kk2627 2015-7-2 13:55:31
Kalman滤波工作原理详解	计量经济学与统计软件	吴浩然 2013-9-9	0 1414	吴浩然 2013-9-9 14:10:57
浅谈基因芯片工作原理	行业分析报告	天拓咨询 2013-9-5	0 6104	天拓咨询 2013-9-5 14:02:50
我国LNG动力船舶发展现状分析	行业分析报告	天拓咨询 2013-9-4	0 4323	天拓咨询 2013-9-4 11:04:40
浅谈螺杆膨胀机发电系统工作原理	行业分析报告	天拓咨询 2013-8-13	0 15738	天拓咨询 2013-8-13 13:16:43
浅谈螺杆膨胀机工作原理	行业分析报告	天拓咨询 2013-8-12	0 5160	天拓咨询 2013-8-12 16:20:57
自己申请的校级科研项目阶段性成果，DATA步工作原理形象讲义	SAS专版	小甲克虫 2013-2-26	26 3514	紫雨abc 2013-7-24 16:03:26
2 0 1 0 - 2 0 1 5 年中国新能源汽车锂电池市场动态	行业分析报告	xiqianhao 2012-11-24	2 2012	dawanziwei 2013-7-16 13:16:07
[轉貼] DVIR：物流技术的應用	运营管理（物流与供应链管理）	Toyotomi 2013-3-14	1 1288	1204434240 2013-3-28 16:10:21
[轉貼] 商业智能技术在供应链發展	运营管理（物流与供应链管理）	Toyotomi 2013-3-17	0 1057	Toyotomi 2013-3-17 00:36:05
全自动水泥垫块机在使用过程中需要注意的问题	休闲灌水	zhongyangjiqi 2012-12-30	0 659	zhongyangjiqi 2012-12-30 14:16:49
[电脑上网技巧十日速成]等三本.甘登岱.扫描版.pdf	版权审核区（不对外开放）	xgz6151 2012-8-17	14 963	zax1983 2012-10-24 14:56:37
X-12-ARIMA季节调整软件应用研究——表示局部季节性的季节虚拟变量的作用	SPSS论坛	shasha101955 2012-8-14	1 3471	矛盾的慧根 2012-8-14 17:05:14
情爱夜话－艾晓宁.扫描版.pdf	版权审核区（不对外开放）	xgz6151 2012-6-2	31 2329	xiaolongzi1991 2012-6-16 08:52:58
求助万方论文一篇 - [!reward_solved!]	求助成功区	zxwknight3166 2011-12-23	6 1022	ahgypf0808 2011-12-23 16:36:55

更多...

相关日志

分享 Random Forest using Python: Nicolle 2014-8-4 06:09; 随机森林是一个高度灵活的机器学习方法，拥有广泛的应用前景，从市场营销到医疗保健保险。既可以用来做市场营销模拟的建模，统计客户来源，保留和流失。也可用来预测疾病的风险和病患者的易感性。随机森林是一个可做能够回归和分类。它具备处理大数据的特性，而且它有助于估计或变量是非常重要的基础数据建模。这是一篇关于使用Python来实现随机森林文章。什么是随机森林？随机森林是几乎任何预测问题 (甚至非直线部分) 的固有选择。它是一个相对较新的机器学习的策略（在 90 年代产生于贝尔实验室 ) 和它可以几乎用于任何方面。它属于机器学习算法一大类----- 集成学习方法。集成学习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单预测，因此优于任何一个单分类的做出预测。随机森林是集成学习的一个子类，由于它依靠于策率树的合并。你可以在这找到用python实现集成学习的文档： Scikit 学习文档。随机决策树我们知道随机森林是其他的模型聚合，但它聚合了什么类型模型？你可能已经从其名称、随机森林聚合分类（或回归）的树中猜到。决策树是由一系列的决策的组合，可用于分类观察数据集。随机森林算法引入了一个随机森林来自动创建随机决策树群。由于树随机生成的树，大部分的树(或许 99.9%树) 不会对学习的分类/回归问题都有意义。如果观察到长度为 45 ，蓝眼睛，和 2 条腿，就被归类为红色。树的投票所以10000个（概率上）糟糕的模型有*****什么好的？好吧，这样确实没什么特别的好处。但是随着很多糟糕的决策树被生成，其中也会有很少确实很优秀的决策树。当你要做预测的时候，新的观察到的特征随着决策树自上而下走下来，这样一组观察到的特征将会被贴上一个预测值/标签。一旦森林中的每棵树都给出了预测值/标签，所有的预测结果将被归总到一起，所有树的模式投票被返回做为最终的预测结果。简单来说，99.9%不相关的树做出的预测结果涵盖所有的情况，这些预测结果将会彼此抵消。少数优秀的树的预测结果将会超脱于芸芸“噪音”，做出一个好的预测。为什么你让我用它？随机森林就是学习方法中的 Leatherman 呀。你几乎可以把任何东西扔进去，它基本上都是可供使用的。在估计推断映射方面特别好用，以致都不需要像SVM那样做很多调试（也就是说对于那些最后期限很紧的家伙们真是太棒了）。一个映射的例子随机森林在没有精心准备的数据映射的情况下也能学习。以方程f(x) = log(x)为例。制造一些假数据，并且加上一点儿噪音。 import numpy as npx = np.random.uniform(1, 100, 1000)y = np.log(x) + np.random.normal(0, .3, 1000) full gist here 如果我们建立了一个基本的线性模型通过使用 x 来预测y，我们需要作一条直线，算是平分 log (x) 函数。而如果我们使用一个随机的森林，它不会更好的逼近 log (x) 曲线并能够使得它更像实际函数。你也许会说随机森林有点扰乱了 log(x) 函数。不管怎样，我都认为这做了一个很好的说明如何随机森林并未绑定于线性约束。使用变量选择随机森林最好的用例之一是特征选择。尝试很多决策树变种的一个副产品就是你可以检测每棵树中哪个变量最合适/最糟糕。当一棵树使用一个变量，而另一棵不使用这个变量，你就可以从是否包含这个变量来比较价值的减少或增加。优秀的随机森林实现将为你做这些事情，所以你需要做的仅仅是知道去看那个方法或参数。在下述的例子中，我们尝试去指出对于将酒分为红酒或者白酒哪个变量是最重要的。分类随机森林也很善于分类。它可以被用于为多个可能目标类别做预测，它也可以被校正输出概率。你需要注意的一件事情是过拟合。随机森林容易产生过拟合，特别是在数据集相对小的时候。当你的模型对于测试集合做出“太好”的预测的时候就应该怀疑一下了。产生过拟合的一个原因是在模型中只使用相关特征。然而只使用相关特征并不总是事先准备好的，使用特征选择（就像前面提到的）可以使其更简单。回归是的，它也可以做回归。我们已经发现随机森林——不像其它算法——对分类变量或者分类变量和真实变量混合学习的非常好。具有高基数（可能值的#）的分类变量是很棘手的，所以在你的口袋中放点儿这样的东西将会是非常有用的。 from sklearn.datasets import load_irisfrom sklearn.ensemble import RandomForestClassifierimport pandas as pdimport numpy as npiris = load_iris()df = pd.DataFrame(iris.data, columns=iris.feature_names)df = np.random.uniform(0, 1, len(df)) = .75df = pd.Factor(iris.target, iris.target_names)df.head()train, test = df ==True], df ==False]features = df.columns clf = RandomForestClassifier(n_jobs=2)y, _ = pd.factorize(train )clf.fit(train , y) preds = iris.target_names )]pd.crosstab(test , preds, rownames= , colnames= ) 看起来很不错！结语随机森林相当容易使用，而且很强大。对于任何建模，都要注意过拟合; 个人分类: Python|17 次阅读|0 个评论