【机器学习】随机森林 Random Forest 得到模型后，评估参数重要性

最新推荐文章于 2024-06-30 18:59:42 发布

weixin_30662849

最新推荐文章于 2024-06-30 18:59:42 发布

阅读量4.2k

点赞数

CC 4.0 BY-SA版权

文章标签：数据结构与算法人工智能 matlab

原文链接：http://www.cnblogs.com/victoria693/p/6895755.html

本文介绍了使用随机森林模型后如何评估特征的重要性。通过%IncMSE和IncNodePurity两个指标来衡量特征的重要程度，前者反映了特征对于预测准确性的影响，后者则用于评估特征对于模型纯度的贡献。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在得出random forest 模型后，评估参数重要性

importance（）示例如下

特征重要性评价标准

%IncMSE 是 increase in MSE。就是对每一个变量比如 X1 随机赋值, 如果 X1重要的话, 预测的误差会增大,所以误差的增加就等同于准确性的减少,所以MeanDecreaseAccuracy 是一个概念的.

IncNodePurity 也是一样, 如果是回归的话, node purity 其实就是 RSS（残差平方和residual sum of squares）的减少, node purity 增加就等同于 Gini 指数的减少,也就是节点里的数据或 class 都一样, 也就是 Mean Decrease Gini.

转载于:https://www.cnblogs.com/victoria693/p/6895755.html

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。