指南：本文的首席执行官注释将介绍python随机森林将运行多长时间的相关内容。我希望这对每个人都会有所帮助。让我们来看看。
电子书收集|数据科学快速检查表|迁移学习实际战斗，免费下载
链接：提取代码：Z9X7
1. 10,000次消耗2毫秒
2. 22毫秒的100,000次
3.每次消耗304毫秒的时间消耗一百万倍
4.仪表周期的1000万次，2337毫秒，为2.3秒
5. 1亿次，23468毫秒，为23.4秒
查看特定收集任务的内容。如果是图片，则访问地址规范和熟悉的规则，即一两分钟，如果它是一个复杂的网页，并且负面的攀岩规则可能需要半小时，如果类似于天空眼睛检查和爬行以从天空的眼睛，爬行和从天空，爬行和爬网爬行，从天空眼中爬行。整个公司的信息为10,000，可能需要一天或两天，因为公司需要n个更多信息
随机森林是指使用多个树来训练和预测样品的分类器。及其输出类别由单个树的类别数量确定。在机器学习中，Scikit-Learn有一个非常重要的地方可以实现随机森林算法。
原则：（分类预测和回归预测随机森林Sklearn.entermble.randomforestressor方法）
（1）给定训练集S，测试集T，特征维度F.确定参数：所使用的购物车数，每棵树的深度D，每个节点使用的功能F的数量，终止条件：最小值节点上的示例编号s，节点上的最小信息增益，第一个1-1-1-1-1-1-1-t树，i = 1-t：
（2）S（i）有一个来自s中的s（i）的培训集。作为根节点的样本，训练从根节点开始
（3）如果在电流节点上满足终止条件，则将电流节点设置为叶节点。如果是一个分类问题，则叶节点的预测输出是当前节点中最多的样本数量的C（J）类别。C（J）是当前样本集的比例；如果是回归问题，则预测输出是当前节点样本集的每个样本值的平均值。f-特殊符号未释放。使用此f uvit，找到最佳类别的k和阈值th，当前节点上的样品k样品样品的样品分为左节点，其余的分为右节点。训练其他节点。
（4）重复（2）（3），直到所有节点均已训练或标记为叶子节点。
（5）重复（2），（3），（4），直到所有购物车都已训练。
随机森林的简单实施过程如下：
1.开发环境和编译环境：
Pycharm社区版2016.2.3
Python2.7.10
第二，库和安装方法：
熊猫[Python建造]
Sklearn：命令行PIP安装Sklearn;如果您不安装PIP，请使用Easy_install Pip安装PIP；如果您在Mac上没有权限，请使用sudo pip install sklearn；
第三，代码简介
1.使用熊猫读取本地Excel训练集和测试集，并将属性赋予x_train和y_train；
2.使用dictvectorizer标准化和标准化数据
3.生成RandomForestRegressor对象，并将训练设置传递到适合训练的方法中
4.调用预测函数以进行预测，并将结果保存在y_predict变量中；
5.使用均值_squared_error，分数方法来输出MSE和NMSE值来分析合适性和稳定性；输出功能_IMPORTANE分析影响最终结果的属性；
6.请参阅附录详细代码
第四和附录
＃编码：UTF-8
导入大熊猫作为pd
data_train = pd.read_excel（'/users/xiaoliu/desktop/data_train.xlsx'）
x_train = data_train [['cpi'，'gdp'，'ppi'，'ajr'，'bjfj'，'fbdr'，'fbdr'，'pcfd'，'pcfded'，'bdr'，'bdr']]]
y_train = data_train ['fj']
data_test = pd.read_excel（'/users/xiaoliu/desktop/data_test.xlsx'）
x_test = data_teest [['cpi'，'gdp'，'ppi'，'ajr'，'bjfj'，'fbdr'，'fbdr'，'pcfd'，'pcfded'，'bdr'，'bdr']]]
y_test = data_teest ['fj']
来自Sklearn。feature_extraction导入victectorizer
vec = dictvectorizer（稀疏= false）
x_train = vec.fit_transform（x_train.to_dict（orient ='records'））
x_test = vec.transform（x_test.to_dict（orient ='records'））
来自sklearn.ensembell导入RandomForestRegressor
RF = RandomForestRegressor（）
rf.fit（x_train，y_train）
y_predict = rf.predict（x_test）
打印“预测值：”，y_predict
来自sklearn.metrics导入均值_squared_error
打印'MSE：'，sue_squared_error（y_test，y_predict）
打印'nmes：'，rf.score（x_test，y_test）
打印rf.feature_importances_
随机运行长数据接近60,000，变量的数量约为300。使用10％的折扣来验证R中的随机森林。该模型每天运行。
您如何将Scikit-Learn软件包中的类方法用于随机森林算法。每个参数的特定用途是有益的。
在这里，我给予我的理解和翻译的一部分：
参数描述：
这两个主要参数是n_estimators和max_features。
n_estimators：指示森林中的树木数量。从理论上讲，越大越好。但是随着计算时间的增加，越多，您越多，您得到的就越大，它就会越好。最佳预测效果将出现在合理数量的树木中。
MAX_FEATURES：选择功能集合的子集合随机随机分配节点。儿童收集的数量越少，差异的速度就越快，但同时，偏差越快，偏差就会越快。基于更好的偏差。实用经验。如果这是一个回归问题：
max_features = n_features，如果是分类问题，则max_features = sqrt（n_features）。
如果要获得更好的结果，max_depth = none，min_sample_split = 1。
同时，请记住执行Cross_validated（交叉验证）。此外，请记住在随机森林中，bootstrap = true。
这也是外国人撰写的文章：调整您的随机森林模型参数
在这里，我使用Scikit-Learn随机森林随附的虹膜数据：
[python]查看普通副本
来自Sklearn.Tree进口决策者
来自sklearn.ensembell导入RandomForestRegressor
导入numpy作为NP
从sklearn.datases导入load_iris
iris = load_iris（）
#print Iris＃iris的4个属性是：萼片宽度萼片laugy花瓣宽度长度标签是花的类型：setosa versicolour virginica
打印虹膜['target']。形状
rf = randomforestregressor（）#here使用默认参数设置
rf.fit（iris.data [：150]，iris.target [：150]）＃执行模型训练
＃
#randomly选择两个具有不同预测的样本
实例= iris.data [[100,109]]]
打印实例
打印“实例0预测;”，rf.predict（instance [0]）
打印“实例1预测;”，rf.predict（instance [1]）
pRIS.target [100]，iris.target [109]
回报的结果如下：
（150，）
[[6.3 3.3 6. 2.5]
[7.2 3.6 6.1 2.5]]]]
实例0预测;[2.]
实例1预测；[2.]
22
我在这里有些困惑，也就是说，Scikit-As As算法软件包中的随机森林实际上是由决策树组成的。盒子处理。我们不知道内部决策 - 制造树结构，即使是父节点的选择特征也不知道它是谁。因此，我给出以下代码（此代码不是我的原始代码），它可以显示因此，我们可以考虑删除此列的特征值，以避免使用无用的分类。
[python]查看普通副本
来自sklearn.cross_validation导入cross_val_score，shufflesplit
x = iris [“数据”]
y =虹膜[“目标”]
名称= iris [“ feature_names”]
RF = RandomForestRegressor（）
得分= []
对于我的范围（X.Shape [1]）：
得分= cross_val_score（rf，x [：，i+1]，y，评分=“ r2”，
cv = shufflesplit（len（x），3，.3））
SCORES.APPEND（圆形（NP.Mean（Score），3），名称[i]））
打印排序（分数，反向= true）
显示结果如下：
[（0.934，'花瓣宽度（cm）'），（0.929，'花瓣长（cm）），（0.597，'sepal长度（cm）'），（0.276，'sepal宽度（cm）'）]]]]]]]
在这里，我们会发现花瓣宽度和花瓣长的两个特征将贡献绝对的贡献，然后是萼片长度，影响最小的是萼片宽度。该代码将使我们想起每个特征的贡献，这使我们能够知道我们的贡献内部结构。
结论：以上是首席CTO注释为每个人编写的Python随机森林的相关内容的相关内容答案。希望它对您有所帮助！如果您解决了问题，请与更多关心此问题的朋友分享?