穆尼尔·哈姆扎;拉罗克，丹尼斯 基于分类树的集成方法的经验比较。 （英语） Zbl 1075.62051号 J.统计计算。模拟 75，第8号，629-643（2005）. 总结：我们对几种基于分类树的集成方法的分类误差进行了实证比较。通过使用14个公开可用的数据集和T.-S.Lim公司,W.-Y.Loh先生和Y.-S.Shih先生[机器学习。40、203–228（2000；Zbl 0969.68669号)]. 所考虑的方法是一棵树、打包、增强（弧）和随机森林（RF）。从不同的角度对它们进行了比较。更准确地说，我们研究了噪声和树构造中允许线性组合的影响，一些分割标准之间的差异，特别是对于RF，在每个给定节点选择最佳分割的变量数量的影响。此外，我们将我们的结果与Lim等人的结果进行了比较。使用RF获得了最佳的总体结果。特别是，射频对噪声最为稳健。平均而言，允许线性组合的效果和拆分标准之间的差异很小，但对于某些数据集来说可能会很大。 引用于13文件 MSC公司： 62H30型 分类和区分；聚类分析（统计方面） 65C60个 统计中的计算问题（MSC2010） 关键词：装袋;增压;电弧;随机森林（RF）;分类树;汽车;噪音;变量的线性组合;分解规则;吉尼;熵;双打;桌子 引文：Zbl 0969.68669号 PDF格式BibTeX公司 XML格式引用 \textit｛M.Hamza｝和\textit｛D.Larocque｝，J.Stat.Comput。模拟75，No.8，629--643（2005；Zbl 1075.62051） 全文： 内政部 参考文献： [1] Breiman L.，《机器学习》，第24页，第123页–（1996年） [2] Freund，Y.和Schapire，R.E.用一种新的增强算法进行实验。机器学习：第十三届国际会议论文集。旧金山摩根考夫曼。第148-156页。 [3] DOI:10.1023/A:1010933404324·兹比尔1007.68152 ·doi:10.1023/A:1010933404324 [4] 内政部：10.1007/3-540-45014-9_1·doi:10.1007/3-540-45014-9_1 [5] Breiman L.，分类和回归树（1984）·Zbl 0541.62042号 [6] DOI:10.1023/A:1007515423169·doi:10.1023/A：1007515423169 [7] Maclin R.，《人工智能研究杂志》11第169页–（1999） [8] DOI:10.1023/A:1007607513941·doi:10.1023/A:1007607513941 [9] DOI:10.1214/aos/1024691079·Zbl 0934.62064号 ·doi:10.1214操作系统/1024691079 [10] DOI:10.1023/A:1007608224229·Zbl 0969.68669号 ·doi:10.1023/A:1007608224229 [11] Meir R.，机器学习高级讲座，第119页–（2003年） [12] DOI:10.1023/A:1007618119488·Zbl 0969.68128号 ·doi:10.1023/A:1007618119488 [13] DOI:10.1023/A:101085229904·兹伯利0988.68150 ·doi:10.1023/A:101085229904 [14] Servedio，R.A.在恶意噪音中顺利提升和学习。摘自：第十四届计算学习理论年会论文集。第472-489页·Zbl 0992.68509号 [15] Breiman L.，《机器学习》，第24页，第41页–（1996年） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。