机器学习-决策树和随机森林

标签：决策树   iso   矩阵   bsp   决策   机器   forest   for   重要   

随机森林

用法：

　　1. 样本的相似度，认为在一个叶子节点的两个样本是相似的，来计算样本相似度矩阵。

　　2. 特征选择：修改节点的特征选择，看预测的结果有没有显著变化，有的话，说明被替换的特征比较重要，反之，不重要。

　　3. Isolation Forest: 随机选择特征，随机选择分割点生成一定深度的决策树，由这样的决策树生成的随机森林。对于异常的样本，他应该在这一系列的决策树中很快到达叶子节点。到达叶子节点的和比较小的时候，就认为是异常数据。

机器学习-决策树和随机森林

标签：决策树   iso   矩阵   bsp   决策   机器   forest   for   重要   

原文地址：http://www.cnblogs.com/parkin/p/7594707.html