随机森林是一种机器学习算法，可以用于分类与回归，其他关于随机森林的知识可以百度。
现在实现机器学习算法有很多方便的渠道，比如python的sklearn包还有c++的shark，具体实现方式也可以百度。
随机森林是如何停止训练的。我一直以为随机森林和神经网络的训练类似，给定迭代次数，然后利用损失函数，梯度下降，优化权重等等最终最小化损失函数，然后完成训练。但是我找遍sklearn 随机森林的全部可以设置的参数，都没有迭代次数这个可以设置的参数。后来我就想可能是根据损失值或者精确率来的，比如精确率达到95%自动停止训练（pie就是类似这样的）【这个错误思想让我自己还挺满足的，现在发现是错的】。今天我突然想起来去年就看过的一句话，随机森林的训练和梯度下降没有半毛钱关系，它就是根据设置的n_estimators参数【树的个数】，然后依据gini信息将树建完为止，正是因为不需要梯度下降所以省去了很多数据预处理的过程，使用起来还挺方便。最终的结果由每棵决策树综合给出：如果是分类问题，那么对于每个测试集，树都会预测出一个类别进行投票，最终统计票数多的那个类别为最终类别。看看，这算法俨然是一个遵循：“少数服从多数”的原则的小型民主社会；如果是回归问题，那就更简单了，各个树得到的结果相加求得一个平均值为最终回归结果。【我想我不会再因为这个问题而烦恼了】，这也反映我基础很差，必须补补基础。
标签：训练,梯度,最终,算法,随机,森林 来源： https://blog.csdn.net/x19979/article/details/121691747
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。