您确定您有足够的目标数据吗？

fahimfoysal08

我们现在能够对某些特征值进行统计观察，它们的组合往往会导致  在  上获得更高的位置。这使我们能够假设某些特征的重要性，并预测特定的特征值集合是否会带来更好的排名。 增加决策树集：监督学习 我们在上一步中收到的数据集合绝对是通用的，可以与任何机器学习算法一起使用。我们更喜欢的是决策树森林。 在树能够做出合理的决策之前，它们需要经过训练：这就是监督机器学习的用武之地。为了确保训练良好并且在数据上做出的决策不偏不倚，使用了聚类和随机子空间方法。 树 是通过放回采样创建训练数据集合的过程。假设我们有  行数据。

根据聚类原理，我们将为 柬埔寨 電話號碼 每个决策树创建一个训练数据集合，并且该集合将具有相同的行数，因此仅包含原始  行的大约三分之二，并且会存在重复值。大约三分之一的原始值将保持不变，并将在训练完成后使用。 我们使用随机子空间方法对特征做了大致相同的操作：决策树是根据特征的随机样本而不是整个特征集合进行训练的。 它不是使用整个数据集合和整个特征列表的单个树。但是，拥有多棵树的森林可以让我们说每个值和每个特征很可能被使用相同的次数。 增加森林 每个决策树根据最重要的变量重复划分训练样本的数据集合。



直到每个子集都由同质数据组成。该树扫描整个训练数据集合并选择最重要的特征及其精确值，这成为一种枢轴点（节点）并将数据分成两组。对于一个群体，上面选择的条件为真；对于另一个，  （ 和  分支）。根据放置在某个子组中的  对的目标值，为所有最终子组分配一个平均目标值。 由于树木使用样本数据收集来生长，因此它们会在生长过程中学习。当达到正确猜测的目标值的目标百分比时，他们的学习被认为是成功的并且质量良好。 一旦整组树都生长并训练完毕，神奇的事情就开始发生：现在允许树处理样本外数据（大约是原始数据集合的三分之一）。