首页 文章

scikit-learn（python）中的 balancer 随机森林

提问于
浏览 次
7

我想知道在scikit-learn软件包的最新版本中是否有 balancer 随机森林（BRF）的实现 . BRF用于不 balancer 数据的情况 . 它可以作为普通RF工作，但是对于每次自举迭代，它通过欠采样来 balancer 普遍性类 . 例如，给定两个类N0 = 100，N1 = 30个实例，在每个随机抽样中，它从第一个类中抽取（替换）30个实例，从第二个类抽取相同数量的实例，即它在一个树上训练一个树 . balancer 数据集 . 有关更多信息please refer to this paper .

RandomForestClassifier（）确实有'class_weight ='参数，可能设置为'balanced'，但我不确定它是否与bootrapped训练样本的下采样有关 .

scikit-learn classification random-forest

1 回答

  • 7

    我知道这已经晚了10个月，但我认为你所寻找的是来自imblearn的BalancedBaggingClassifier .

    imblearn.ensemble.BalancedBaggingClassifier(base_estimator=None,
 n_estimators=10, max_samples=1.0, max_features=1.0, bootstrap=True,
 bootstrap_features=False, oob_score=False, warm_start=False, ratio='auto',
 replacement=False, n_jobs=1, random_state=None, verbose=0)

    有效的是，它允许你做的是连续地对你的大多数类进行欠采样，同时在顶部拟合估算器 . 您可以使用随机森林或来自scikit-learn的任何基本估算器 . 这是example .

    回复于

相关问题