DNN算法中基于树的降维算法
DNN算法中基于树的降维算法
提问于 2020-07-17 16:22:23
我的问题很简单:在使用DNN算法训练数据集之前，是否可以使用基于树的降维方法，例如嵌入在随机森林中的特征重要性？
换句话说，使用基于树的特征重要性会阻止使用不同于树/随机林的训练算法吗？
回答 1
Stack Overflow用户
回答已采纳
发布于 2020-07-31 09:23:45
我认为你应该读一下DNN的文章。
为什么？你为什么要在DNN训练之前使用随机森林？
是的，您可以使用以下方法显示random-forest的特性重要性
random_forest = RandomForestClassifier(random_state=42).fit(x_train, y_train)
feature_importances = DataFrame(random_forest.feature_importances_,
index = x_train.columns,
columns=['importance']).sort_values('importance',
ascending=False)
print(feature_importances)但这是一个feature-extraction方法。DNN是一种neural-network方法。
DNN比random-forest复杂，而random-forest处理feature-extraction，DNN处理
feature-extraction，back-propagation，feed-forward方法
如果为DNN提供足够的训练样本，将具有较高的精度。
- 基于树的特征重要性的使用是否妨碍了训练算法的使用？
不，基于这个问题，充分的特征大小和样本是不同的。通常，您不会使用random-forest提取1M图像的特征重要性。
另外，对于小型数据集，您也不使用DNN。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/62958052
复制相关文章
相似问题
腾讯云开发者
