Random Forests are among the most popular and best performing methods for general machine learning tasks as classification or regression. Random Forests combine several decision trees into a single ensemble (forest) and average predictions from individual trees. Each tree in the ensemble is trained on a random subsample on an input dataset...
我根本不是在和你说话）我想的比我写的还快。
这一切都可以作为一篇文章来做，但现在我懒得做。
那就去做吧...我并不介意。为什么要一直纠缠这个话题...
谁能解释一下如何解释随机森林？这样，你就可以看到在一个决策树中的节点的模式。
这个怎么样？ 我用笔记本电脑在疲惫不堪的肚子上搜索了30秒。
https://aysent.github.io/2015/11/08/random-forest-leaf-visualization.html
https://shiring.github.io/machine_learning/2017/03/16/rf_plot_ggraph
https://towardsdatascience.com/random-forest-in-python-24d0893d51c0
这个怎么样？ 我用笔记本电脑在疲惫不堪的肚子上搜索了30秒。
https://aysent.github.io/2015/11/08/random-forest-leaf-visualization.html
https://shiring.github.io/machine_learning/2017/03/16/rf_plot_ggraph
https://towardsdatascience.com/random-forest-in-python-24d0893d51c0
是的，我不知道你有时是 "明显的队长")
为了找出最佳的树木和标志的数量，已经看过很多次了，整个互联网都泛滥了。更有甚者，你可以得到所有标志的重要性的平均值。
而我则需要把所有的树放到一起，得到所有带阈值的结点。
是的，我不知道你有时是 "明显的队长")
为了找出最佳的树木数量和性状，已经看过很多次了，整个互联网上都是这样的。更有甚者，你可以得到所有属性的重要性的平均值。
而我则需要把所有的树放到一起，得到所有带阈值的结点。
试着阅读一下这些链接如何？
试着阅读一下这些链接如何？
我读过了，也许我没有理解什么。顺便说一下，我读了很多类似的，甚至设法把每棵树的结果拉到了节点（叶子）上。
我读了它，也许我没有理解它。顺便说一下，我读了很多类似的，我甚至设法为森林中的所有树木拉出了带有节点（叶子）的结果。
结果是什么？ 有图表，有分裂的树......我是不是白费力气了？
你最后想要什么？ 有图有分树......我是不是白做了？
图片中显示的是一棵树的图示。
最后，我需要了解合奏的最终结果是如何构建的。我想把所有的树做成一个平均的结果，并把它可视化。
图片中显示的是一个单一的树状图。
最后，你需要了解合奏的最终结果是如何构建的。就是说，在所有的树中做一棵平均的树，当然，要把它形象化。
而且我不知道森林是如何被渲染的，树木使用不同的标志和子样本
我想这意味着你必须看一下每棵树。
我再看看。
我不知道森林是如何被绘制的，树木使用不同的性状和子样本
我想这意味着你必须看一下每一棵树。
我将继续寻找。
我找了大约一个星期，重新阅读。我还没有找到任何有意义的东西。有一个想法，而且正在重新思考中......
也许这就是不完全透露一切的想法？