决策树、随机森林和极度随机森林的交叉验证评分

旧城等待， 2023-09-29 12:44 39阅读 0赞

部分代码：

  1. from sklearn.model_selection import cross_val_score
  2. from sklearn.datasets import make_blobs
  3. from sklearn.ensemble import RandomForestClassifier
  4. from sklearn.ensemble import ExtraTreesClassifier
  5. from sklearn.tree import DecisionTreeClassifier
  7. def excel_one_line_to_list():
  8.     ##创建100个类共10000个样本，每个样本10个特征
  9.     X, y = make_blobs(n_samples=10000, n_features=10, centers=100,random_state=0)
  11.     ## 决策树（scores1交叉验证评分）
  12.     clf1 = DecisionTreeClassifier(max_depth=None, min_samples_split=2,random_state=0)
  13.     ......
  14.     print(scores1.mean())
  16.     ## 随机森林（scores1交叉验证评分）
  17.     clf2 = RandomForestClassifier(n_estimators=10, max_depth=None,min_samples_split=2, random_state=0)
  18.     ......
  19.     print(scores2.mean())
  21.     ## 极度随机森林（scores1交叉验证评分）
  22.     clf3 = ExtraTreesClassifier(n_estimators=10, 
  23.     ......

完整代码链接：决策树、随机森林和极度随机森林的交叉验证评分

发表评论

表情：
评论列表 （有 0 条评论，39人围观）

还没有评论，来说两句吧...

相关阅读

    相关 2.1.决策树和随机森林

    2.1.决策树和随机森林 决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可

    冷不防冷不防/ 0 赞/ 271 阅读

    相关 决策树与随机森林算法

    决策树(分类树)是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树只需要构建一次，每一次预测分类的最大计算次数不超过

    浅浅的花香味﹌浅浅的花香味﹌/ 0 赞/ 260 阅读