利用轮作林改善回归指标的实证研究

Rotation Forest; Adaboost.R2; Bagging;

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。

文件下载

评论信息

其他资源

免责申明

【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论【只为小站】经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见版权及免责申明

利用轮作林改善回归指标的实证研究

文件下载

评论信息

其他资源

免责申明

个人信息

相关资源标签

热门下载

最新下载