OOB：
上面我們提到，構(gòu)建隨機森林的關(guān)鍵問題就是如何選擇最優(yōu)的m，要解決這個問題主要依據(jù)計算袋外錯誤率oob error(out-of-bag error)。
bagging方法中Bootstrap每次約有1/3的樣本不會出現(xiàn)在Bootstrap所采集的樣本集合中，當然也就沒有參加決策樹的建立，把這1/3的數(shù)據(jù)稱為袋外數(shù)據(jù)oob(out of bag),它可以用于取代測試集誤差估計方法。
袋外數(shù)據(jù)(oob)誤差的計算方法如下：
對于已經(jīng)生成的隨機森林，用袋外數(shù)據(jù)測試其性能，假設(shè)袋外數(shù)據(jù)總數(shù)為O，用這O個袋外數(shù)據(jù)作為輸入，帶進之前已經(jīng)生成的隨機森林分類器，分類器會給出O個數(shù)據(jù)相應(yīng)的分類
因為這O條數(shù)據(jù)的類型是已知的，則用正確的分類與隨機森林分類器的結(jié)果進行比較，統(tǒng)計隨機森林分類器分類錯誤的數(shù)目，設(shè)為X，則袋外數(shù)據(jù)誤差大小=X/O
優(yōu)缺點：
這已經(jīng)經(jīng)過證明是無偏估計的,所以在隨機森林算法中不需要再進行交叉驗證或者單獨的測試集來獲取測試集誤差的無偏估計。
京公網(wǎng)安備 11010802030320號