Python xgboost、extratreeclassifier和RandomForRestClasifier之间有什么区别？
我对所有这些方法都是新手，我正试图得到一个简单的答案，或者如果有人能在网上的某个地方给我一个高层次的解释。我的谷歌搜索只返回kaggle示例代码 extratree和randomforrest本质上是一样的吗？xgboost在为任何特定树选择特征时使用boosting，即对特征进行采样。但是，另外两种算法如何选择特征呢 谢谢 额外树木（ET）又名。极端随机的树与随机森林（RF）非常相似。这两种方法都是将一些完全生长的决策树聚合在一起的装袋方法。RF将仅尝试划分三分之一的功能，但评估这些功能中任何可能的断点，并选择最佳。然而，ET将只评估随机的几个断点，并从中选择最好的断点。ET可以将样本引导到每个树或使用所有样本。射频必须使用引导才能正常工作 xgboost是梯度增强的一个实现，可以与决策树（典型的较小的树）一起使用。对每棵树进行训练，以校正先前训练树的残差。梯度增强可能更难训练，但可以实现比RF更低的模型偏置。对于有噪声的数据，打包可能是最有希望的。对于低噪声和复杂的数据结构，增强可能是最有希望的Python xgboost、extratreeclassifier和RandomForRestClasifier之间有什么区别？,python,random-forest,xgboost,kaggle,Python,Random Forest,Xgboost,Kaggle,我对所有这些方法都是新手，我正试图得到一个简单的答案，或者如果有人能在网上的某个地方给我一个高层次的解释。我的谷歌搜索只返回kaggle示例代码 extratree和randomforrest本质上是一样的吗？xgboost在为任何特定树选择特征时使用boosting，即对特征进行采样。但是，另外两种算法如何选择特征呢 谢谢 额外树木（ET）又名。极端随机的树与随机森林（RF）非常相似。这两种方法都是将一些完全生长的决策树聚合在一起的装袋方法。RF将仅尝试划分三分之一的功能，但评估这些功能中任何