spatialRF：使用随机森林轻松进行空间回归 介绍 该包装spatialRF便于与随机森林规则或不规则的数据拟合空间回归模型，使用所述发动机罩下的测距仪包所以通过产生空间预测器，其允许该模型考虑到的空间结构确实训练数据。 最终目标是尽可能减少模型残差的空间自相关。 残差中的空间自相关表明模型方差中存在空间自相关的源，而模型预测变量无法解释该源，并且很明显的迹象是模型中缺少重要的变量。 在理想模型中，残差不是自相关的，应该以零为中心，但是在处理空间数据时很少出现这种情况。 该程序包实现了两种主要方法来根据数据点的距离矩阵生成空间预测变量： 邻居矩阵的主坐标分析 。 距离矩阵列作为解释变量 。 该软件包还提供了一组工具，用于识别变量交互，调整随机森林超参数，评估空间独立数据折叠上的模型性能，并通过重要性图，响应曲线和曲面检查生成的模型。 安装包装 该软件包尚未在CRAN存储库中，因

心血管疾病使用决策树和随机森林分类器 决策树算法可用于预测心血管疾病并使用随机森林分类器和探索性数据分析来提高准确性

本项目是世卫组织建立了一段时间内所有国家健康状况的数据集，其中包括预期寿命，成人死亡率等方面的统计数据。使用此数据集，探索各种变量之间的关系，通过数据集建立模型对预期寿命进行预测以及找出对预期寿命的最大影响因素是什么？ 本项目主要解决以下问题： - 最初选择的各种预测因素是否真的影响预期寿命？实际影响预期寿命的预测变量有哪些？ - 预期寿命值低于（<65）的国家是否应该增加其医疗保健支出以改善其平均寿命？ - 婴儿和成人死亡率如何影响预期寿命？ - 是否接受教育对人类寿命有何影响？ - 预期寿命与饮酒是正相关还是负相关？ - 人口稠密的国家的预期寿命是否有降低的趋势？ 数据集：数据/探索影响预期寿命的因素/Life Expectancy Data.csv 案例来源：https://www.kaggle.com/kumarajarshi/life-expectancy-who

对元胞自动机森林火灾模型进行了深度优化修复了较多bug，权衡了树的生长和火灾，达到一个较好的仿真效果，适合初学！

特征选择+分类

主页有解释博客，可参考 本文要解决的问题为预测问题，即给出seer提取的癌症病人数据，如A病人的患病时长，性别，年龄等信息以及他是否死亡，通过训练后，给出某个病人的信息后就可以判定他是否死亡，具有一定的现实意义。同理还有股票涨跌问题

针对随机森林（RF,random forest）算法的投票原则无法区分强分类器与弱分类器差异的缺陷，提出一种加权投票改进方法，在此基础上，提出一种检测 Android 恶意软件的改进随机森林分类模型（IRFCM,improved random forest classification model）。IRFCM选取AndroidManifest.xml文件中的Permission信息和Intent信息作为特征属性并进行优化选择，然后应用该模型对最终生成的特征向量进行检测分类。Weka 环境下的实验结果表明IRFCM具有较好的分类精度和分类效率。

森林插件forest packpro 5.4汉化补丁

统计图 条形图 柱状图 折线图 数量统计 matplotlib sklearn jupyter notebook 人工智能实验 数据集

# 购房贷款违约预测 ### 数据集说明 训练集 train.csv ```python # train_data can be read as a DataFrame # for example import pandas as pd df = pd.read_csv('train.csv') print(df.iloc[0]) # list of 51 features and one label ``` 测试集 test.csv ```python # test_data can be read as a DataFrame # for example import pandas as pd df = pd.read_csv('test.csv') print(df.iloc[0]) # list of 51 features ``` 测试集标签文件 test_label.txt，格式如下 ```txt 1 0 1 1 ... ... ``` 其中训练集12万条，测试集3万条。 包括准确率计算 sklearn jupyter