医疗应用中的大数据、人工智能与机器学习技术
1. 随机森林回归(RFR)
随机森林回归(RFR)结合了 n 棵决策树。测试用例需要通过每一棵决策树,每棵树都会给出一个单独的均值。然后计算这些值的总平均值,最终预测出一个输出。
1.1 RFR 的步骤
- 构建模型 :使用
RandomForestRegressor类,它是sklearn库中集成包的一部分,并传入一些参数。 - 数据预测 :使用
predict方法进行预测。 - 结果可视化 :使用
Matplotlib可视化预测数据。
1.2 RFR 的优缺点
| 优点 | 缺点 |
|---|---|
| 可以处理大量输入而无需删除数据 | 会导致数据过拟合,产生噪声结果 |
| 结果无偏 | |
| 能有效处理缺失数据,准确性高 |
1.3 评估模型
可以根据误差率检查和
超级会员免费看
订阅专栏 解锁全文

1万+

被折叠的 条评论
为什么被折叠?



