数据挖掘算法介绍，数据挖掘算法分享
数据挖掘算法介绍，数据挖掘算法分享随机森林算法的很好的利用随机性（包括随机生成子样本集，随机选择子特征），最小化了各棵树之间的相关性，提高了整体的性能。►把测试样本给每棵决策树进行回归预测，统计所有决策树对同一样本的预测结果，所有的结果的平均值作为最终预测值。►当每个样本有K个属性时，在决策树的每个节点需要分裂时，随机从这K个属性中选取出k个属性，满足条件k<K。然后从这k个属性中采用方差来选择一个属性作为该节点的分裂属性；►决策树形成过程中每个节点都要按照步骤2来分裂。一直到不能够再分裂为止 利用该子集训练一棵决策树，并且不对这个决策树进行剪枝；►按照步骤1~3建立大量的决策树，直至训练出m个决策树；
随机森林回归算法是决策树回归的组合算法，将许多回归决策树组合到一起，以降低过拟合的风险。随机森林可以处理名词型特征，不需要进行特征缩放处理。随机森林并行训练许多决策树模型，对每个决策树的预测结果进行合并可以降低预测的变化范围，进而改善测试集上的预测性能。
算法思想随机森林是决策树的组合，将许多决策树联合到一起，以降低过拟合的风险。
随机森林在以决策树为机器学习构建 Bagging 集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。具体来讲，传统决策树在选择划分属性时， 在当前节点的属性集合（ 假设有 d 个属性） 中选择一个最优属性；而在随机森林中，对基决策树的每个节点，先从该节点的属性集合中随机选择一个包含 k 个属性的子集，然后再从这个子集中选择一个最优属性用于划分。 这里的参数 k 控制了随机性的引入程度。若令 k=d ，则基决策树的构建与传统决策树相同；若令 k=1 ，则是随机选择一个属性用于划分。
随机森林回归的过程如下：►对训练集进行有放回随机抽样以获得p个样本形成训练集的一个子集作为新的训练集；
►当每个样本有K个属性时，在决策树的每个节点需要分裂时，随机从这K个属性中选取出k个属性，满足条件k<K。然后从这k个属性中采用方差来选择一个属性作为该节点的分裂属性；
►决策树形成过程中每个节点都要按照步骤2来分裂。一直到不能够再分裂为止 利用该子集训练一棵决策树，并且不对这个决策树进行剪枝；
►按照步骤1~3建立大量的决策树，直至训练出m个决策树；
►把测试样本给每棵决策树进行回归预测，统计所有决策树对同一样本的预测结果，所有的结果的平均值作为最终预测值。
随机森林算法的很好的利用随机性（包括随机生成子样本集，随机选择子特征），最小化了各棵树之间的相关性，提高了整体的性能。
数据格式►必须设置类属性（输出），且类属性（输出）必须是连续型（数值）；
►非类属性（输入）可以是连续型（数值）也可以是离散型（名词）；
参数说明
生成的决策树
最后一列属性“prediction”为回归预测列。
构建如下流程：
美林数据——释放数据潜能，激发企业活力
为你带来前沿最新大数据资讯
欢迎关注与评论！
