RF是有监督的机器学习算法，用于解决分类和回归问题，一颗决策树提供的特征数量有限，影响模型性能，需要多颗决策树，因为有了决策森林，对于一个测试数据，输入不同的决策树有不同的测试结果，森林用单棵决策树的输出结果的整合作为最终输出结果，对于分类问题，用众数的方法作为测试数据的类别，对于回归问题，用均值的方法作为测试数据的值。 rf的特点：简单，容易实现，计算开销少；可解释性强，泛化性强，不易过拟合。没有明显缺点。 svm的特点：适合处理小样本问题，非线性（借助核函数），但不适合处理大规模数据，对缺失数据敏感。处理高维数据时，核函数可解释性弱。
发表于 2024-04-26 13:06:35
回复(0)
一个决策树所能提供的特征往往是有限的，限制了模型的性能，所以就会需要随机森林，RF全称 random forest也就是随机森林，随机森林是由多个决策树随机生成的森林，决策树的每一个节点都是特征的一个子集，用于计算输出。随机森林将单个决策树的输出整合起来生成最后的输出结果，同一个数据从不同的决策树测试会有不同的测试结果 SVM比较更适合于处理小样本下的机器学习问题，因为当样本量比较多的时候，他的处理速度不是很好。SVM可以支持解决高维问题；另外他的决策结果受到某部分特定支持的向量影响，无需特别依赖整个数据，不会因为某些局部极值而影响 RF实现比较方便简单，同时也有强大的处理性能，能够处理高维问题，同时由于他支持随机抽取特征所以并不要特别选取特征，另外在训练完成后，能够给出那些feature比较重要，模型泛化能力强，对于不平衡的数据集来说，它可以平衡误差；如果有很大一部分的特征遗失，仍可以维持准确度。
发表于 2022-10-12 22:19:15
回复(0)
RF全称Random Forest随机森林，是一种bagging方法，子模型（决策树）可能有点过拟合。随机森林就是我们有放回的抽取样本，构建一个模型。之后重复这个过程。在有放回的抽取样本的同时，我们还可能抽取特征，就是我们不使用全部的特征。然后就这样一轮一轮来，构建多个模型，每个模型有着不同的权重。最后通过投票方式预测新样本。SVM就是常见的分类模型啦，（可能通过核函数升维的方法）寻找最优分割平面。SVM的优点在于memory efficient，适用于分类边界明显的数据集，但它不适用large dataset。随机森林能够容忍outliers，对非线性数据拟合程度还可，也基本不会出现过拟合问题，也适合large dataset，就是有点慢
编辑于 2022-08-30 13:39:35
回复(0)
RF随机森林是多个决策树bagging的过程，通过多个决策树的集成，达到高精度、抗噪能力强等优势。SVM的特点是小样本训练，泛化能力强，高维数据处理优异。但是对噪声敏感，大样本训练慢，且对计算量要求大，参数敏感等问题。
发表于 2025-03-13 12:01:11
回复(0)
RF全称Random Forest随机森林，是一种bagging方法,基于多棵随机创造的决策树的输出来生成最终结果. RF的特点：简单，容易实现，计算开销少；可解释性强，泛化性强，不易过拟合。没有明显缺点。 svm的特点：适合处理小样本问题，非线性（借助核函数），但不适合处理大规模数据，对缺失数据敏感。处理高维数据时，核函数可解释性弱。
发表于 2024-04-29 16:47:07
回复(0)
没学过随机森林 记录一下 RF（Random Forest）随机森林，属于bagging的一个变体，基于多棵随机创造的决策树的输出来生成最终结果；优点：1.可以更好的捕获全局数据特征，同时对于噪声不敏感；2.样本特征随机化选择，模型泛化能力更强；3.模型简单，可以并行化计算，训练收敛速度快；缺点：1.容易过拟合；2.相对于高维数据，对低维数据处理效果较差；3.决策过程不可见，数学可解释性差；
发表于 2023-09-27 10:37:47
回复(1)
问题信息
-
扫描二维码，关注牛客网
- 意见反馈
-
下载牛客APP，随时随地刷题
扫一扫，把题目装进口袋
- 求职之前，先上牛客
-
扫描二维码，进入QQ群
扫描二维码，关注牛客公众号
- 公司地址：北京市朝阳区北苑路北美国际商务中心K1座一层-北京牛客科技有限公司
- 联系方式：010-60728802 投诉举报电话：010-57596212（朝阳人力社保局）
- 牛客科技© All rights reserved admin@nowcoder.com
- 京ICP备14055008号-4 增值电信业务经营许可证 营业执照 人力资源服务许可证
-
京公网安备
11010502036488号
