随机森林回归 森林随机回归

randomForestExplainer 一套工具来了解随机森林算法里面发生了什么

传统的卷积神经网络目标检测算法需要使用大量的数据来对网络参数进行训练,会花费大量的时间,并且森林火灾数据属于小样本数据。基于此,提出一种基于迁移学习的卷积神经网络森林火灾检测算法,该算法采用迁移学习的方法训练森林火灾检测网络模型。在建立的森林火灾数据集上进行实验,结果表明使用该算法进行森林火灾检测,准确率可达97%,具有准确率高、误报率低、检测时间短等优点,将其应用在森林火灾检测上具有一定的可行性。

数据集temps.csv和temps_extended.csv

大数据背景下网络调查样本的随机森林倾向得分模型推断研究 本文提出网络调查样本的随机森林倾向得分模型推断方法,通过构建若干棵分类决策树组成随机森林,对网络调查样本单元的倾向得分进行估计,从而实现对总体的推断。模拟分析和实证研究结果表明:基于随机森林倾向得分模型的总体均值估计的相对偏差、方差与均方误差均比基于Logistic倾向得分模型的总体均值估计的相对偏差、方差与均方误差小,提出的方法估计效果更好。

本文件包括随机森林的代码实现和相应的数据集，以及详尽的中文注释，已调试通过。代码有两份，一份是在网上下载的，另一份是自己整理后编写的。编程环境为Python2.7。因为只是用来学习随机森林算法，所以在调参方法没下多少功夫，正确率可能不太高,当然数据集比较小也是一个原因。感兴趣的童鞋可以自己调整参数提高正确率。

EDA和ML项目 存储库包含各种项目，这些项目都使用R语言编写了以下代码： 探索性数据分析 机器学习模型（线性回归，逻辑回归，k均值聚类，分层聚类，SVM，决策树，随机森林，时间序列分析，XGBoost） 以下是一些常用的程序包/库的列表，这些程序包/库被用作数据分析和构建机器学习模型的一部分 数据处理： dplyr，plyr，tidyr，stringer，data.table，lubridate（用于日期处理）， 数据可视化： ggplot2，cowplot，ggthemes，比例 ML模型： randomForest，caret（用于数据拆分，交叉验证，预处理，特征选择，变量重要性估计等） 推荐模型： re荐 文本挖掘： tm，tidyverse

巴西亚马逊退化 数据集描述了巴西亚马逊地区环境退化的各个方面，例如火灾，森林砍伐和气候现象。 第一个文件inpe_brazilian_amazon_fires按州，月份和年份列出了1999-2019年的火灾爆发情况。 这些数据来自“银行数据库”（火灾数据库），该数据库通过卫星图像检测火灾的爆发。 每个巴西州内的特定经度和纬度，以及该特定区域中每年的关联火点都可用。 第二个文件def_area_2019按巴西州和2004-2019年列出了森林砍伐面积（km ^ 2）。 这些数据来自“巴西亚马逊雨林监测计划”（Satellite）。 第三个文件el_nino_la_nina_1999_2019列出了巴西的El ninos和la ninas的开始和结束日期及其严重性数据。 这些数据是从金门气象服务中提取的。

OpenGL-篝火 我为大学图形作业写的森林中间的篝火。 我为此制作了一个视频，但视频录制软件并没有很好地捕捉到它。 我提供了一个下载链接，以便您可以在此处查看正在运行的代码： :

清华大学大数据机器学习课程PPT，决策树与随即森林部分