Регрессия случайного леса — популярный метод машинного обучения, используемый для решения задач регрессии. Это тип ансамблевого обучения, который объединяет несколько деревьев решений для повышения точности и стабильности модели. В этом блоге мы обсудим, как реализовать регрессию случайного леса с помощью Python. Во-первых, давайте начнем с импорта необходимых библиотек: import pandas as pd import numpy as np from sklearn.ensemble import RandomForestRegressor from sklearn.metrics..

Как прогнозировать уличную преступность в Чикаго по погоде. Я живу в районе Чикаго более 15 лет, и когда я думаю об этом городе, я думаю о глубокой пицце, блюзовой музыке, отличной еде, ветре, холода… и преступности. Преступление - это просто часть жизни здесь. Я видел, как многие люди писали о преступности в Чикаго и составляли подробные диаграммы, графики и отчеты, но я никогда не видел, чтобы кто-то пытался предсказать преступление в Чикаго. Это новая территория, и я готов к этой..

Random Forest работает как с классификацией, так и с регрессией как с постановкой задачи. Случайный лес использует число N деревьев решений в качестве базовой модели и предоставляет некоторую выборку данных каждому дереву решений для прогнозирования. если вы не знаете о блогах DT 1 , 2 . для классификации случайный лес берет каждый вывод дерева решений и голосует за тот класс, который имеет наибольшее количество голосов, и принимает его в качестве вывода. для регрессии..

Все коды аккуратно задокументированы на https://github.com/seho0808/rf_hospital_medium Вы можете свободно копировать и использовать любой мой код из этой статьи. I. О чем эта статья? Представьте, что вы пытаетесь выбрать ближайшую к вам больницу. Вы видите три больницы на картах Google, но только одна из них имеет рейтинги. Что бы вы сделали? Эта статья в основном основана на моей модели прогнозирования рейтингов больниц из конкурса данных в Технологическом институте..