RandomForestRegressor için çanta dışı hata tahminini yorumlama

Verilerimde RandomForest regresörü kullanıyorum ve oob skorunun 0.83 olarak elde edildiğini görebiliyordum. Böyle olmanın nasıl bir şey olduğu konusunda emin değilim. Yani hedeflerim 10 ^ 7 aralığında yüksek değerler. Eğer MSE ise, o zaman çok daha yüksek olmalıydı. Burada 0.83'ün ne anlama geldiğini anlamıyorum.

Sklearn araç setinin python'un RandomForestRegressor'unu kullanıyorum.

Yaparım

model = RandomForestRegressor (max_depth = 7, n_estimators = 100, oob_score = Doğru, n_jobs = -1) model.fit (trainX, trainY)

Sonra model.oob_score_'u görüyorum ve 0.83809026152005295 gibi değerler alıyorum

Temel gerçek (yani doğru / gerçek) hedef değerlerini rastgele orman tarafından tahmin edilen (yani tahmin edilen) hedef değerlerle karşılaştırmak için scikit-learn MSE kullanmaz, $R^2$(örneğin MATLAB veya ( Breiman 1996b ) gibi), forest.py kodunda görebileceğiniz gibi :

self.oob_score_ = 0.0
for k in xrange(self.n_outputs_):
    self.oob_score_ += r2_score(y[:, k], predictions[:, k])
self.oob_score_ /= self.n_outputs_

r2_score()aka belirleme katsayısını hesaplar . En iyi puanı 1.0 olan R2 ve daha düşük değerler daha kötüdür.

Bilginize:

• Rastgele Ormanlarda çanta tükenmesi hatası nedir?
• “Belirleme katsayısı” ile “ortalama kare hatası” arasındaki fark nedir?
• Breiman, Leo. Torba dışı tahmin . Teknik rapor, İstatistik Bölümü, California Üniversitesi Berkeley, Berkeley CA 94708, 1996b. 33, 34, 1996'da açıklanmaktadır.