过去几个月我一直在定期训练 sklearn 随机森林。我注意到,当使用 joblib 将模型导出到文件时,文件大小急剧增加 - 从 2.5 GB 增加到 11GB。所有参数保持不变,训练特征的数量保持固定。唯一的区别是训练数据中的示例数量增加了。
鉴于参数保持固定,并且指定了估计器的数量和每棵树的深度,为什么增加示例数量会产生增加随机森林大小的效果?
以下是模型的参数:
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='sqrt', max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=20, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=1000, n_jobs=-1,
oob_score=False, random_state=123, verbose=0, warm_start=False)
最佳答案
我会将 min_samples_leaf
设置为浮点,那么它是训练数据集的百分比。例如,min_samples_leaf=0.01
每片叶子中至少有 1% 的样本。
要优化模型的大小,您可以在 min_samples_leaf
和 n_estimators
上使用 GridSearchCV。除非您有大量的类和特征,否则您可能可以将模型大小减少几个数量级。
关于python - 为什么随机森林的大小随着训练样本数量的增加而增加?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54047121/