Kaggle竞赛PetFinder日记,第2天:随机森林,调参
使用随机森林,调参,类似这样,找到最大点,结果稍微提高了一两个百分点,Train内测试都在4.0以上了。
由于xgboost在我机器上跑的慢,所以,不再选用。
加上网上找来的各省人口,人均GDP数据
GDPAVG = {41336: 99, 41325: 99, 41367: 80, 41401: 662, 41415: 7327, 41324: 582, 41332: 404, 41335: 225, 41330: 119, 41380: 934, 41327: 309, 41345: 73, 41342: 93, 41326: 187, 41361: 255} Population = {41336: 346, 41325: 204, 41367: 168, 41401: 168, 41415: 9, 41324: 79, 41332: 103, 41335: 157, 41330: 244, 41380: 25, 41327: 161, 41345: 327, 41342: 528, 41326: 256, 41361: 115}
df['GDPAVG'] = df['State'].map(GDPAVG) df['Population'] = df['State'].map(Population)
import matplotlib.pyplot as plt
test = []
ranges= range(2,20)
for i in ranges:rfc = RandomForestClassifier(n_estimators=230,max_depth= 11,max_features=4,min_samples_split=10,random_state=10,min_samples_leaf=i)rfc.fit(x_train, y_train)# rfc_y_predict = rfc.predict(x_test)score = rfc.score(x_test, y_test)test.append(score)
plt.plot(ranges,test,color="red",label="min_samples_leaf")
plt.legend()
plt.show()
Kaggle竞赛PetFinder日记,第2天:随机森林,调参相关推荐
- 随机森林调参 - python
文章目录 1.一般的模型调参原则 2.随机森林的随机性体现在哪几个方面? 2.1 数据集的随机选取 2.2 待选特征的随机选取 3.为什么使用随机森林? 4.随机森林的构建过程 5.随机森林优缺点总结 ...
- 机器学习sklearn实战-----随机森林调参乳腺癌分类预测
机器学习sklearn随机森林乳腺癌分类预测 机器学习中调参的基本思想: 1)非常正确的调参思路和方法 2)对模型评估指标有深入理解 3)对数据的感觉和经验 文章目录 机器学习sklearn随机森林乳 ...
- 随机森林原理_机器学习(29):随机森林调参实战(信用卡欺诈预测)
点击"机器学习研习社","置顶"公众号 重磅干货,第一时间送达 回复[大礼包]送你机器学习资料与笔记 回顾 推荐收藏>机器学习文章集合:1-20 机器学习 ...
- python 随机森林调参_Python机器学习实践:随机森林算法训练及调参-附代码
原标题:Python机器学习实践:随机森林算法训练及调参-附代码 文章发布于公号[数智物语] (ID:decision_engine),关注公号不错过每一篇干货. 来源 | 博客园 作者 | 战争热诚 ...
- 基于scikit-learn的随机森林调参实战
写在前面 在之前一篇机器学习算法总结之Bagging与随机森林中对随机森林的原理进行了介绍.还是老套路,学习完理论知识需要实践来加深印象.在scikit-learn中,RF的分类类是RandomFor ...
- sklearn随机森林调参小结
转自:https://www.cnblogs.com/pinard/p/6160412.html 在Bagging与随机森林算法原理小结中,我们对随机森林(Random Forest, 以下简称RF) ...
- python 随机森林调参_python的随机森林模型调参
一.一般的模型调参原则 1.调参前提:模型调参其实是没有定论,需要根据不同的数据集和不同的模型去调.但是有一些调参的思想是有规律可循的,首先我们可以知道,模型不准确只有两种情况:一是过拟合,而是欠拟合 ...
- 随机森林调参_机器学习-模型调参利器 gridSearchCV(网格搜索)
在机器学习模型中,需要人工选择的参数称为超参数.比如随机森林中决策树的个数,人工神经网络模型中隐藏层层数和每层的节点个数,正则项中常数大小等等,他们都需要事先指定.超参数选择不恰当,就会出现欠拟合或者 ...
- scikit-learn随机森林调参小结
https://www.cnblogs.com/pinard/p/6160412.html
最新文章
- Linux网络服务基础
- access后台链接mysql_ASP.NET连接 Access数据库的几种方法
- Mr.J--正则表达式
- 单行及多行文本溢出以省略号显示的方法总结
- pytorch创建datset
- Jenkins创建新任务
- freeswitch新增app接口
- timer计时 wpf_『WPF』Timer的使用
- 招聘PHP聚合系统,Thinkphp5开发OA办公系统之招聘申请
- java代码实现压缩文件.gz格式,解压后无后缀名问题
- Windows8.1-KB2999226-x64安装提示此更新不适用你的计算机
- windows常见dos命令总结
- 连续最大积 hdu 4567
- sql函数RIGHT的简单用法
- IOS11更新教程大分享(附带降级教程)
- UML动态模型图简单介绍
- zb怎么做渲染图_ZBrush渲染效果使用图文教程
- php 打开word显示无法打开文件,word无法打开文件,因为内容有误怎么办
- Windows7+Ubuntu10.04双系统安装指南
- 社区发现算法原理与louvain源码解析