Mam zestaw danych obejmujący 24 wiersze danych miesięcznych. Funkcje obejmują PKB, przyloty na lotnisko, miesiąc i kilka innych. Zmienna zależna to liczba odwiedzających popularny cel turystyczny. Czy Losowy Las byłby odpowiedni na taki problem?
Dane są niepubliczne, więc nie mogę opublikować próbki.
Zazwyczaj jedynym ograniczeniem losowego lasu jest to, że liczba funkcji powinna być dość duża - pierwszym krokiem RF jest wybranie funkcji 1 / 3n lub sqrt (n) do budowy drzewa (w zależności od zadania, regresji / klasyfikacji). Więc jeśli masz dość dużo funkcji, używaj RF nawet na małych zestawach danych - nie ma algorytmu, który działałby naprawdę dobrze na małych zestawach danych, więc nic nie tracisz.
—
Niemiecki Demidow
Jesteś w niskim zakresie. RF będzie działać, ale prawdopodobnie nie nauczy się dużo bardziej skomplikowanych rzeczy, niż to, co można sobie wyobrazić, patrząc na surowe dane. Pomaga, jeśli twoje dane są bardzo ciche. Od 40-50 próbek zaczyna się poprawiać. 500 dobrych. 5000 niesamowitych.
—
Soren Havelund Welling
w przypadku regresji możliwa głębokość drzewa jest ograniczona przez minnode = 5, a zatem twoje próbki nie zostaną przeciętnie podzielone więcej niż 2 razy [[24 -> (1) 12 -> (2) 6.]] Łącznie z ograniczeniem modelowi trudno byłoby uchwycić jakikolwiek efekt interakcji, a nawet prosty efekt nieliniowy. Możesz majstrować przy minnode i mtry, ale powinieneś to zrobić tylko wtedy, gdy Twoje dane praktycznie nie powodują hałasu. Potencjalne przewyższenie trafionych wniosków byłoby drugą stroną. Otrzymana struktura modelu wyglądałaby jak z grubsza wygładzona funkcja krokowa.
—
Soren Havelund Welling
W przypadku małego zestawu danych użyj techniki Cross Validation. Aby uzyskać więcej informacji, stats.stackexchange.com/questions/19048/…
—
Asif Khan