Machine learning 随机林：%IncMSE和%NodePurity之间不匹配
我在一个相当小的数据集（即11个变量的28个obs）上对100000棵分类树进行了随机森林分析 然后我画了一幅重要性可变的图Machine learning 随机林：%IncMSE和%NodePurity之间不匹配,machine-learning,random-forest,Machine Learning,Random Forest,我在一个相当小的数据集（即11个变量的28个obs）上对100000棵分类树进行了随机森林分析 然后我画了一幅重要性可变的图 在结果图中，至少一个重要变量的%IncMSE和IncNodePurity之间存在严重不匹配。事实上，变量在前者中的重要性排名第七（即%IncMSE），第一张图显示，如果通过随机排列为变量赋值，则MSE将增加多少。值越高，变量的重要性越高 另一方面，节点纯度由基尼指数衡量，基尼指数是该变量分割前后RSS之间的差值 由于变量重要性标准的概念在两种情况下是不同的，因此对于不同的
在结果图中，至少一个重要变量的%IncMSE和IncNodePurity之间存在严重不匹配。事实上，变量在前者中的重要性排名第七（即%IncMSE），第一张图显示，如果通过随机排列为变量赋值，则MSE将增加多少。值越高，变量的重要性越高 另一方面，节点纯度由基尼指数衡量，基尼指数是该变量分割前后RSS之间的差值 由于变量重要性标准的概念在两种情况下是不同的，因此对于不同的变量有不同的排名 没有固定的标准来选择可变重要性的“最佳”度量，这取决于您手头的问题