Как всегда, часто задаваемые вопросы о генераторах Java-генератора Angelika Langer подробно объясняются . (Прокрутите к «Почему компилятор иногда выдает предупреждение без предупреждения при вызове метода« varargs »?» - идентификатор не работает хорошо.)
В принципе, вы в конечном итоге теряете информацию в худшем чем обычно. Еще одна небольшая болевая точка в Java-дженериках: (
Не существует общего способа получить интерпретируемое уравнение из случайного леса, объясняющего, как ваши ковариаты влияют на зависимую переменную. Для этого вы можете использовать другую модель, более подходящую, например, линейную регрессию (возможно, с функциями ядра) или дерево решений. Обратите внимание, что вы можете использовать одну модель для прогнозирования и одну модель для описательного анализа - нет никакой внутренней причины придерживаться одной модели.
используйте Random Forest, чтобы предсказать мою зависимую переменную, чтобы понять, насколько важна каждая независимая переменная
blockquote>Понимание важности каждой зависимой переменной не обязательно означает, что вам нужен вопрос в заголовке вашего вопроса, а именно получение фактических отношений. У большинства пакетов случайных лесов есть метод количественной оценки степени влияния каждого ковариата на модель в наборе поездов.
Существует ряд методов оценки важности характеристик на основе обученной модели. Для случайного леса наиболее известными методами являются MDI (среднее снижение примеси) и MDA (среднее снижение точности). Многие популярные библиотеки ML поддерживают оценку важности функций из коробки для Random Forest.