随机森林回归中的树数

Posted 2023-03-12

【中文标题】随机森林回归中的树数

【英文标题】：Number of Trees in Random Forest Regression

【发布时间】：2019-10-23 14:58:38

【问题描述】：

我正在学习随机森林回归模型。我知道它形成了许多树（模型），然后我们可以通过平均所有树的结果来预测我们的目标变量。我对决策树回归算法也有下降的理解。我们怎样才能形成最好的树数？

例如，我有一个数据集，我在其中预测人员薪水，并且我只有两个输入变量，即“经验年限”、“绩效得分”，那么我可以使用这样的数据集形成多少随机树？随机森林树是否取决于输入变量的数量？任何好的例子都将受到高度赞赏..

提前致谢

【问题讨论】：

为什么将其标记为“深度学习”？

问题与deep-learning 无关 - 请不要向无关标签发送垃圾邮件（已删除并替换为random-forest）

【参考方案1】：

决策树在整个数据集上训练模型，并且只创建一个模型。在随机森林中，会创建多个决策树，并通过限制行数和特征来对每个决策树进行数据子集的训练。在您的情况下，您只有两个特征，因此模型将根据数据子集创建和训练数据。

您可以为您的数据创建任意数量的随机树。通常在随机森林中，更多的树会带来更好的性能，但也会有更多的计算时间。试验你的数据，看看不同数量的树之间的性能变化。如果性能保持不变，则使用更少的树以获得更快的计算。您可以为此使用网格搜索。

您还可以尝试其他机器学习模型，例如线性回归，这可能在您的情况下表现良好。

【讨论】：

@user9165263 你的经验和判断告诉你在随机森林中过度拟合的可能性是什么？