利用轮作林改善回归指标的实证研究

本文通过在几个基准数据集上进行实验,研究了旋转森林集成方法在提高基本预测变量解决回归问题的泛化能力方面的性能,并与Bagging,Random Forest,Adaboost.R2和a单一回归树。 还研究了轮作林对其所含参数选择的敏感性。 在考虑的回归数据集上,可以看到Adaboost.R2通常胜过Rotation Forest,并且两者都优于Random Forest和一棵树。 关于袋装和轮换林,似乎他们之间没有明显的赢家。 此外,修剪树似乎对所有考虑的方法的性能都有一些不良影响。