本文通过在几个基准数据集上进行实验，研究了旋转森林集成方法在提高基本预测变量解决回归问题的泛化能力方面的性能，并与Bagging，Random Forest，Adaboost.R2和a单一回归树。 还研究了轮作林对其所含参数选择的敏感性。 在考虑的回归数据集上，可以看到Adaboost.R2通常胜过Rotation Forest，并且两者都优于Random Forest和一棵树。 关于袋装和轮换林，似乎他们之间没有明显的赢家。 此外，修剪树似乎对所有考虑的方法的性能都有一些不良影响。
2021-02-22 18:06:02
423KB
1
蚂蚁森林收取能量代码，解压地址和使用教程在博客https://blog.csdn.net/herosunly/article/details/113769157中。
2021-02-09 18:02:02
385KB
1
mnist手写字体识别之随机森林,包含了python代码，本科实验的作业，实现了随即森科算法的手写字体识别，含mnist数据集，报告基本要求都有
2019-12-21 21:43:05
34.7MB
1
This is a difficult regression task, where the aim is to predict the burned area of forest fires, in the northeast region of Portugal, by using meteorological and other data.
2019-12-21 21:05:56
9KB
1
用R 实现随机森林的分类与回归
Applications of Random Forest using R
Classification and Regression
2019-12-21 20:29:55
5.76MB
1