fastForest: fastForest

Skapar en lista som innehåller funktionsnamnet och argumenten för att träna en FastForest-modell med rxEnsemble.

Användning

  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, ...)
 

Argumentpunkter

numTrees

Anger det totala antalet beslutsträd som ska skapas i ensemblen. Genom att skapa fler beslutsträd kan du eventuellt få bättre täckning, men träningstiden ökar. Standardvärdet är 100.

numLeaves

Det maximala antalet löv (terminalnoder) som kan skapas i valfritt träd. Högre värden kan öka trädstorleken och få bättre precision, men riskerar att överanpassas och kräva längre träningstider. Standardvärdet är 20.

minSplit

Minsta antal träningsinstanser som krävs för att bilda ett löv. Det vill: det minimala antalet dokument som tillåts i ett löv i ett regressionsträd, från de underexempelbaserade data. En "delning" innebär att funktioner i varje nivå i trädet (noden) delas slumpmässigt. Standardvärdet är 10.

exampleFraction

Bråkdelen av slumpmässigt valda instanser som ska användas för varje träd. Standardvärdet är 0,7.

featureFraction

Bråkdelen av slumpmässigt valda funktioner som ska användas för varje träd. Standardvärdet är 0,7.

splitFraction

Bråkdelen av slumpmässigt valda funktioner som ska användas vid varje delning. Standardvärdet är 0,7.

numBins

Maximalt antal distinkta värden (intervall) per funktion. Standardvärdet är 255.

firstUsePenalty

Funktionen använder först straffkoefficient. Standardvärdet är 0.

gainConfLevel

Trädanpassning får förtroendekrav (bör ligga i intervallet [0,1)). Standardvärdet är 0.

trainThreads

Antalet trådar som ska användas i träning. Om NULL anges bestäms antalet trådar som ska användas internt. Standardvärdet är NULL.

randomSeed

Anger det slumpmässiga fröet. Standardvärdet är NULL.

...

Ytterligare argument.