For high dimensionality, RF is an e

For high dimensionality, RF is an efficient method to deal with this kind of data, especially the number of feature is greater than the number of samples [11], [12]. Breiman suggested in his work [4], the minimum node size nmin = 1 in the classification problem and nmin = 5 in the regression problem. This enables a more dissimilar subset of features to contribute to the joint prediction of a Random Forest, which results in an improved prediction accuracy

Kết quả (Việt) 1:

Đối với chiều cao, RF là một phương pháp hiệu quả để đối phó với các loại dữ liệu, đặc biệt là số lượng các tính năng là lớn hơn số lượng mẫu [11] [12]. Breiman đề nghị trong công việc của mình [4], nmin kích thước tối thiểu node = 1 trong vấn đề phân loại và nmin = 5 vấn đề hồi quy. Điều này cho phép một tập hợp con không giống nhau nhiều tính năng để đóng góp cho dự đoán doanh rừng ngẫu nhiên, mà kết quả trong độ chính xác dự báo được cải thiện

Kết quả (Việt) 2:

Đối với chiều cao, RF là một phương pháp hiệu quả để đối phó với loại dữ liệu này, đặc biệt là số lượng các tính năng lớn hơn số lượng mẫu [11], [12]. Breiman đề nghị trong công việc của mình [4], kích thước nút nphút tối thiểu = 1 trong các vấn đề phân loại và nphút = 5 trong vấn đề hồi quy. Điều này cho phép một tập hợp con không khác nhau mấy tính năng để đóng góp vào sự dự đoán chung của một rừng ngẫu nhiên, mà kết quả trong một độ chính xác dự đoán cải thiện