मेरे पास मासिक डेटा की 24 पंक्तियों को मिलाकर डेटा सेट है। जीडीपी, एयरपोर्ट आगमन, महीना और कुछ अन्य सुविधाएं हैं। आश्रित चर एक लोकप्रिय पर्यटन स्थल पर आगंतुकों की संख्या है। क्या रैंडम फॉरेस्ट ऐसी समस्या के लिए उपयुक्त होगा?
डेटा गैर सार्वजनिक हैं इसलिए मैं एक नमूना पोस्ट करने में असमर्थ हूं।
आमतौर पर यादृच्छिक वन पर एक प्रतिबंध यह है कि आपकी सुविधाओं की संख्या काफी बड़ी होनी चाहिए - आरएफ का पहला चरण एक पेड़ बनाने के लिए 1 / 3n या sqrt (n) सुविधाओं का चयन करना है (कार्य, प्रतिगमन / वर्गीकरण के आधार पर)। इसलिए यदि आपके पास बहुत सारी विशेषताएं हैं, तो छोटे डेटासेट पर भी आरएफ का उपयोग करें - कोई एल्गोरिथ्म नहीं है जो छोटे डेटासेट पर वास्तव में अच्छा काम करता है, ताकि कुछ भी न हो।
—
जर्मन डेमिडोव
आप कम रेंज में हैं। आरएफ काम करेगा, लेकिन शायद अधिक जटिल चीजें नहीं सीखेंगे, कच्चे डेटा पर अभिनीत होने से आप क्या महसूस कर सकते हैं। यह मदद करता है, अगर आपका डेटा बहुत कम शोर है। 40-50 नमूनों से यह बेहतर होने लगता है। 500 अच्छा है। 5000 का कमाल।
—
सोरेन हवेलुंड वेलिंग
प्रतिगमन के लिए संभव पेड़ की गहराई मिननोड = 5 द्वारा सीमित है, इस प्रकार आपके नमूने औसतन 2 से अधिक बार विभाजित नहीं होंगे [[24 -> (1) 12 -> (2) 6.]] एमट्री सीमा सहित, मॉडल में किसी भी इंटरैक्शन प्रभाव या साधारण गैर-रैखिक प्रभाव को कैप्चर करने में कठिन समय होगा। आप मिननोड और एमट्री के साथ फील कर सकते हैं, लेकिन आपको केवल यही करना चाहिए कि यदि आपका डेटा व्यावहारिक रूप से शोर कम है। फिट किए गए निष्कर्ष पर संभावित फ्लिपसाइड होगा। आप प्राप्त कर रहे हैं मॉडल संरचना एक मोटे तौर पर smoothed कदम समारोह की तरह दिखेगा।
—
सोरेन हवेलुंड वेलिंग