27、机器学习分类与聚类：决策树和随机森林详解

机器学习分类与聚类：决策树和随机森林详解

在机器学习的分类与聚类任务中，我们常常会使用到多种算法。本文将详细介绍如何使用决策树和随机森林这两种简单而强大的算法，它们既可以用于分类任务，也能用于回归分析。

1. 多分类指标评估

首先，我们可以构建一个 MulticlassMetrics 对象来评估多分类模型的性能。以下是示例代码：

val penmm = new MulticlassMetrics(penPreds)

对于多分类分类器，召回率和精确率是相等的，因为所有误报的总和等于所有漏报的总和。在这个例子中，它们的值为 0.90182。

MulticlassMetrics 还可以提供每个类别的精确率、召回率和 F 值：

scala> penmm.precision(3)
res0: Double = 0.9026548672566371
scala> penmm.recall(3)
res1: Double = 0.9855072463768116
scala> penmm.fMeasure(3)
res2: Double = 0.9422632794457274

此外，它还能展示混淆矩阵，矩阵的行和列对应不同的类别。第 i 行第 j 列的元素表示第 i 类中有多少元素被分类为第 j 类：

s