fastForest：fastForest

项目
05/23/2023

创建一个包含函数名称和参数的列表，以使用 rxEnsemble 训练 FastForest 模型。

用法

  fastForest(numTrees = 100, numLeaves = 20, minSplit = 10,
    exampleFraction = 0.7, featureFraction = 0.7, splitFraction = 0.7,
    numBins = 255, firstUsePenalty = 0, gainConfLevel = 0,
    trainThreads = 8, randomSeed = NULL, ...)

参数

`numTrees`

指定要在系综中创建的决策树总数。通过创建更多决策树，你可能会获得更好的覆盖范围，但训练时间将会增加。默认值为 100。

`numLeaves`

可以在任何树中创建的最大叶（终端节点）数。较高的值可能会增加树的大小并提供较高的准确性，但存在过度拟合和需要更长训练时间的风险。默认值为 20。

`minSplit`

形成叶所需的最小训练实例数。即回归树的叶中允许的最小文档数（子采样数据中）。 “拆分”意味着对树（节点）的每个级别的特征进行随机划分。默认值为 10。

`exampleFraction`

每棵树使用的随机选择实例的分数。默认值为 0.7。

`featureFraction`

每棵树使用的随机选择特征的分数。默认值为 0.7。

`splitFraction`

每个拆分使用的随机选择特征的分数。默认值为 0.7。

`numBins`

每个特征的最大不同值（箱）数。默认值为 255。

`firstUsePenalty`

该特征首先使用惩罚系数。默认值为 0。

`gainConfLevel`

树拟合增益置信度要求（应在 [0,1) 范围内）。默认值为 0。

`trainThreads`

训练中使用的线程数。如果指定了 NULL，则要使用的线程数在内部确定。默认值是 NULL。

`randomSeed`

指定随机种子。默认值是 NULL。

`...`

其他参数。

通过