खोज…


रैंडम फ़ॉरेस्ट मॉडल बनाना

मशीन लर्निंग एल्गोरिदम का एक उदाहरण रैंडम फॉरेस्ट अलोग्रिथम (ब्रीमन, एल। (2001) है। रैंडम फॉरेस्ट। मशीन लर्निंग 45 (5) , पी। 5-32)। यह एल्गोरिथ्म randomForest पैकेज में randomForest के मूल फोरट्रान कार्यान्वयन के अनुसार आर में लागू किया गया है।

कक्षा चर को factor रूप में तैयार करके आर में रैंडम फॉरेस्ट क्लासिफायर ऑब्जेक्ट बनाया जा सकता factor , जो कि iris डेटा सेट में पहले से ही स्पष्ट है। इसलिए हम आसानी से एक यादृच्छिक वन बना सकते हैं:

library(randomForest)

rf <- randomForest(x = iris[, 1:4], 
                   y = iris$Species, 
                   ntree = 500, 
                   do.trace = 100)

rf

# Call:
#   randomForest(x = iris[, 1:4], y = iris$Species, ntree = 500,      do.trace = 100) 
# Type of random forest: classification
# Number of trees: 500
# No. of variables tried at each split: 2
# 
# OOB estimate of  error rate: 4%
# Confusion matrix:
#   setosa versicolor virginica class.error
# setosa         50          0         0        0.00
# versicolor      0         47         3        0.06
# virginica       0          3        47        0.06
मापदंडों विवरण
एक्स वर्गों के वर्णन चर को पकड़े हुए एक डेटा फ़्रेम
y व्यक्तिगत प्रेक्षकों के वर्ग। यदि यह वेक्टर factor , तो एक वर्गीकरण मॉडल बनाया जाता है, यदि प्रतिगमन मॉडल नहीं बनाया जाता है।
ntree व्यक्तिगत कार्ट पेड़ों की संख्या
do.trace हर i वें कदम, आउट-ऑफ-द-बॉक्स त्रुटियों को समग्र रूप से और प्रत्येक वर्ग के लिए वापस कर दिया जाता है


Modified text is an extract of the original Stack Overflow Documentation
के तहत लाइसेंस प्राप्त है CC BY-SA 3.0
से संबद्ध नहीं है Stack Overflow