«random-forest» etiketlenmiş sorular

Her şey başlıkta, rastgele ormanı kullanmadan önce özellik seçimini kullanmak mantıklı mı?

11 machine-learning  feature-selection  random-forest 

Hiyerarşik bir yapıya sahip yüksek boyutlu gruplanmış verilerde (50 sayısal giriş değişkeni) rastgele orman kullanıyorum. Veriler, 70 farklı nesnenin 30 pozisyonunda 6 replikasyon ile toplanmış ve sonuçta 12600 veri noktası elde edilmiştir ve bunlar bağımsız değildir. Oob hatası, eğitim sırasında bir nesneden veri bırakırken ve sonra dışarıda bırakılan nesnenin sonucunu …

11 regression  random-forest 

Ben rastgele ormanın 2 grup arasında örnekleri sınıflandırma yeteneğini test etmeye çalışıyorum; Sınıflandırma için kullanılan 54 örnek ve değişen sayıda değişken vardır. 50.000 ağaç kullandığımda bile çanta dışı (OOB) tahminlerin neden birbirinden% 5 kadar değişebileceğini merak ediyordum. Bu önyüklemenin yardımcı olabileceği bir şey mi?

10 machine-learning  random-forest 

Bir kağıt fabrikasının performansı hakkında tahminlerde bulunmak için RF regresyonunu kullanmaya çalışıyorum. Girişler için dakika dakika verilerim var (odun hamurunun oranı ve miktarı vb ...) ve aynı zamanda makinenin performansı (üretilen kağıt, makinenin çektiği güç) ve 10 dakika tahminlerde bulunmak istiyorum performans değişkenleri üzerinde. 12 aylık verilerim var, bu yüzden …

10 time-series  forecasting  cross-validation  random-forest  autoregressive 

Radyal tabanlı işlev çekirdeğine sahip Vektör Makinelerini Destekleyin , genel amaçlı denetimli bir sınıflandırıcıdır. Bu SVM'lerin teorik temellerini ve güçlü noktalarını bilsem de, tercih edilen yöntem oldukları durumların farkında değilim. Peki, RBF SVM'lerinin diğer ML tekniklerinden daha üstün olduğu bir sorun sınıfı var mı? (Ya skor, ya da diğer - …

10 machine-learning  logistic  classification  svm  random-forest 

Gördüğüm kadarıyla, bu konuda görüşler farklı. En iyi uygulama, çapraz doğrulamayı kullanmayı dikte eder (özellikle RF'leri aynı veri kümesindeki diğer algoritmalarla karşılaştırırsanız). Öte yandan, orijinal kaynak, model eğitimi sırasında OOB hatasının hesaplandığının test seti performansının bir göstergesinin yeterli olduğunu belirtir. Trevor Hastie bile, nispeten yakın tarihli bir görüşmede "Rastgele Ormanlar …

10 cross-validation  random-forest  overfitting  out-of-sample 

Scikit öğrenmesi , neden olduğu hakkında bir açıklama yapmadan model toplama tekniği için çoğunluk oyu yerine olasılıksal öngörü kullanıyor gibi görünmektedir (1.9.2.1. Rastgele Ormanlar). Nedeninin açık bir açıklaması var mı? Ayrıca Rastgele Orman torbalaması için kullanılabilecek çeşitli model toplama teknikleri için iyi bir makale veya inceleme makalesi var mı? Teşekkürler!

10 random-forest  python  scikit-learn  aggregation  bagging 

Rastgele ormanların geçemeyeceği bazı literatürler okudum. Bu harika gibi görünse de, gerçek olamayacak kadar iyi görünüyor. RF'lerin gereğinden fazla takılması mümkün mü?

10 random-forest  overfitting 

Tüm Türler Dağıtım Modellemesi literatürü, olasılıkları (örneğin, RandomForests) çıkaran bir model kullanarak bir türün varlığını / yokluğunu tahmin ederken, bir türün varlığını veya yokluğunu gerçekte sınıflandırabilme eşik olasılığının seçilmesinin önemli olduğunu ve her zaman 0,5 varsayılanına bağlı değildir. Bu konuda yardıma ihtiyacım var! İşte benim kod: library(randomForest) library(PresenceAbsence) #build model …

10 r  classification  random-forest  threshold 

varImpPaketle birlikte bir randomForest modeli için işlevin nasıl çalıştığını anlamada sorun yaşıyorum caret. Aşağıdaki örnekte var3 özelliği varImp, caret işlevini kullanarak sıfır önem kazanmaktadır , ancak altta yatan randomForest son model, var3 özelliği için sıfır olmayan bir öneme sahiptir. Neden böyle? require(randomForest) require(caret) rf <- train(x, y, method = "rf", …

10 r  caret  random-forest 

Bir veri kümesi üzerinde çalışıyorum. Bazı model tanımlama tekniklerini kullandıktan sonra bir ARIMA (0,2,1) modeliyle çıktım. Orijinal veri setimin 48. gözleminde yenilikçi bir aykırı değer (IO) tespit etmek için R'deki detectIOpaketteki işlevi kullandım .TSA Öngörme amacıyla kullanabilmem için bu aykırı değeri modelime nasıl dahil edebilirim? ARIMAX modelini kullanmak istemiyorum çünkü …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

Rastgele Orman ve sonraki türevler (örn. Koşullu orman) gibi ağaç temelli topluluk yöntemleri , göreceli değişken önemini tanımlamak için sözde "küçük n , büyük p " problemlerinde faydalıdır . Aslında, durum böyle görünüyor, ama sorum şu ki bu yetenek ne kadar ileri götürülebilir? Örneğin 30 gözlem ve 100 değişken olabilir …

10 random-forest  small-sample  ensemble 

MeanDecreaseAccuracy sütununda rfobject$importanceve importance(rfobject)arasındaki farkı alamıyorum. Misal: > data("iris") > fit <- randomForest(Species~., data=iris, importance=TRUE) > fit$importance setosa versicolor virginica MeanDecreaseAccuracy MeanDecreaseGini Sepal.Length 0.027078501 0.019418330 0.040497602 0.02898837 9.173648 Sepal.Width 0.008553449 0.001962036 0.006951771 0.00575489 2.472105 Petal.Length 0.313303381 0.291818815 0.280981959 0.29216790 41.284869 Petal.Width 0.349686983 0.318527008 0.270975757 0.31054451 46.323415 > importance(fit) setosa versicolor …

10 r  random-forest  importance 

Kesmek istediğim yaklaşık 70 değişkenli bir veri setim var. Ne yapmak istiyorum CV aşağıdaki şekilde en yararlı değişkenleri bulmak için kullanın. 1) Rastgele 20 değişkenini seçin. 2) En önemli değişkenleri seçmek için stepwise/ LASSO/ lars/ etc kullanın. 3) ~ 50x tekrarlayın ve en sık hangi değişkenlerin seçildiğini (elimine edilmediğini) görün. …

10 r  cross-validation  feature-selection  random-forest  stepwise-regression 

Ben örneklerde daha tahmin ediciler ile bir "geniş" veri kümesinde sürekli bir sonucu açıklamaya çalışmak için rastgele bir orman modeli geliştirmek için R randomForest paketi kullanıyorum. Özellikle, prosedürün önemli olduğunu düşündüğüm ~ 75 prediktör değişkenleri arasından seçim yapmasına izin veren bir RF modeli takıyorum. Ben kullanarak bu modelin ayrılmış bir …

10 r  machine-learning  hypothesis-testing  model-selection  random-forest