fastForest: fastForest

Membuat daftar yang berisi nama fungsi dan argumen untuk melatih model FastForest dengan rxEnsemble.

Penggunaan

  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, ...)
 

Argumen

numTrees

Menentukan jumlah total pohon keputusan yang akan dibuat dalam ansambel. Dengan membuat lebih banyak pohon keputusan, Anda berpotensi mendapatkan cakupan yang lebih baik, tetapi waktu pelatihan meningkat. Nilai default adalah 100.

numLeaves

Jumlah maksimum daun (simpul terminal) yang dapat dibuat di pohon apa pun. Nilai yang lebih tinggi berpotensi meningkatkan ukuran pohon dan mendapatkan presisi yang lebih baik, tetapi berisiko overfitting dan membutuhkan waktu pelatihan yang lebih lama. Nilai default adalah 20.

minSplit

Jumlah minimum instans pelatihan yang diperlukan untuk membentuk daun. Artinya, jumlah minimal dokumen yang diizinkan dalam daun pohon regresi, dari data sub-sampel. 'Pemisahan' berarti bahwa fitur di setiap tingkat pohon (simpul) dibagi secara acak. Nilai defaultnya adalah 10.

exampleFraction

Pecahan instans yang dipilih secara acak untuk digunakan untuk setiap pohon. Nilai defaultnya adalah 0,7.

featureFraction

Pecahan fitur yang dipilih secara acak untuk digunakan untuk setiap pohon. Nilai defaultnya adalah 0,7.

splitFraction

Pecahan fitur yang dipilih secara acak untuk digunakan pada setiap pemisahan. Nilai defaultnya adalah 0,7.

numBins

Jumlah maksimum nilai yang berbeda (bin) per fitur. Nilai defaultnya adalah 255.

firstUsePenalty

Fitur ini pertama-tama menggunakan koefisien penalti. Nilai defaultnya adalah 0.

gainConfLevel

Persyaratan kepercayaan perolehan tree fitting (harus dalam kisaran [0,1)). Nilai defaultnya adalah 0.

trainThreads

Jumlah utas yang akan digunakan dalam pelatihan. Jika NULL ditentukan, jumlah utas yang akan digunakan ditentukan secara internal. Nilai defaultnya adalah NULL.

randomSeed

Menentukan seed acak. Nilai defaultnya adalah NULL.

...

Argumen tambahan.