Chcę uniknąć przeuczenia w losowym lesie. W związku z tym zamierzam użyć mtry, węzłów i maksymalnych węzłów itp. Czy możesz mi pomóc w wyborze wartości dla tych parametrów? Używam R.
Ponadto, jeśli to możliwe, proszę powiedz mi, jak mogę użyć k-krotnego sprawdzania poprawności dla losowego lasu (w R).
Odpowiedzi:
W porównaniu z innymi modelami losowe lasy rzadziej się prześcigają, ale nadal jest to coś, czego chcesz wyraźnie uniknąć. Strojenie parametrów modelu jest zdecydowanie jednym z elementów unikania nadmiernego dopasowania, ale nie tylko. W rzeczywistości powiedziałbym, że twoje cechy treningowe częściej prowadzą do przeuczenia niż parametry modelu, szczególnie w przypadku Losowych Lasów. Myślę więc, że kluczem jest naprawdę niezawodna metoda oceny twojego modelu, aby sprawdzić, czy nie pasuje do ciebie więcej niż cokolwiek innego, co prowadzi nas do twojego drugiego pytania.
Jak wspomniano powyżej, przeprowadzanie weryfikacji krzyżowej pozwoli uniknąć nadmiernego dopasowania. Wybór najlepszego modelu na podstawie wyników CV doprowadzi do modelu, który się nie dopasowuje, co niekoniecznie ma miejsce w przypadku błędu wykreślenia z torby. Najłatwiejszym sposobem uruchomienia CV w R jest caretpakiet. Prosty przykład znajduje się poniżej:
> library(caret)
>
> data(iris)
>
> tr <- trainControl(method = "cv", number = 5)
>
> train(Species ~ .,data=iris,method="rf",trControl= tr)
Random Forest
150 samples
4 predictor
3 classes: 'setosa', 'versicolor', 'virginica'
No pre-processing
Resampling: Cross-Validated (5 fold)
Summary of sample sizes: 120, 120, 120, 120, 120
Resampling results across tuning parameters:
mtry Accuracy Kappa Accuracy SD Kappa SD
2 0.96 0.94 0.04346135 0.06519202
3 0.96 0.94 0.04346135 0.06519202
4 0.96 0.94 0.04346135 0.06519202
Accuracy was used to select the optimal model using the largest value.
The final value used for the model was mtry = 2. @ xof6 jest poprawny w tym sensie, że im większa głębokość modelu, tym bardziej się on przewyższa, ale chciałem dodać więcej parametrów, które mogą być dla ciebie przydatne. Nie wiem, którego pakietu używasz z R i wcale nie znam R, ale myślę, że muszą tam być zaimplementowane odpowiedniki tych parametrów.
Liczba drzew - im większa liczba, tym mniej prawdopodobne jest, że las się przepełni. Oznacza to, że w miarę jak każde drzewo decyzyjne uczy się jakiegoś aspektu danych treningowych, pojawia się więcej opcji do wyboru. Liczba funkcji - Liczba ta określa, ile funkcji uczy się każde drzewo. Gdy liczba ta rośnie, drzewa stają się coraz bardziej skomplikowane, dlatego uczą się wzorców, których mogą nie być w danych testowych. Znalezienie odpowiedniej wartości zajmie trochę eksperymentów, ale takie jest uczenie maszynowe. Eksperymentuj także z ogólną głębią, jak wspomnieliśmy!
Oto fajny link na ten temat na stackexchange /stats/111968/random-forest-how-to-handle-overfitting , jednak moje ogólne doświadczenie jest takie, że im głębsza jest model, tym bardziej ma tendencję nałożyć się.