标签：提高 点数据 完全 决策树 过拟合 节点数据 百分比 最优 and
秉承bagging；
构造多颗相互独立CART决策树，形成一个森林，共同决策输出；
两个随机：
1）输入数据随机：从全体数据中又放回的选取部分数据；
2）每颗决策树构建的特征是从全体特征中随机选取；（从M个特征中选m个，再从这m个选取最优特征作为节点）
优点：
1）不易过拟合，抗噪能力强；
2）高度并行，运算快；
3）无偏估计；
4）对部分特征缺失不敏感；
随机森林调参
1、算法类型：ID3，C4.5，CART
2、树的数目(n_estimator)
（0,100]
较多的子树，提高模型的性能，降低速度；
3、随机属性个数（max_features）
logN、N/3、sqrt(N)、N
增加随机属性个数，提高模型性能，降低单个树的多样性，降低速度；
4、树的最大深度
$[1,\infty )$
-1表示树的完全生长；
5、叶子节点最少记录数（min_sample_leaf）：
叶节点数据的最小个数，最小为2，一般50左右
较小的叶子是模型更容易捕捉训练数据的噪声，训练数据效果更好，模型越复杂；
6、叶子节点最少记录百分比
叶节点数据个数占父节点的最小比例；
标签：提高 点数据 完全 决策树 过拟合 节点数据 百分比 最优 and
原文地址：https://www.cnblogs.com/danniX/p/10719752.html
