spark mllib中如何实现随机森林算法

小编给大家分享一下spark mllib中如何实现随机森林算法，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

随机森林机:若干个决策树组成的一个决策树森林

计算机视觉等领域内应用极为广泛的一个算法，它不仅可以用来做分类，也可用来做回归即预测，随机森林机由多个决策树构成，相比于单个决策树算法，它分类、预测效果更好，不容易出现过度拟合的情况.

运行代码如下

package spark.DTimport org.apache.spark.mllib.tree.RandomForestimport org.apache.spark.mllib.util.MLUtilsimport org.apache.spark.{SparkConf, SparkContext}/**  * 随机雨林决策树  * 若干个决策树组成的决策树森林，  * 随机雨林的实质就是建立多个决策树，然后取得所有决策树的平均值  * ps:一个数据集中包括一项评分，假设一共５个分数，在实际应用中采用二分法  *   1 2 3 | 4 5  *   即　bin  有２个，分别装有数据集{1,2,3},{4,5}  *   split被设置为３  *  * Created by eric on 16-7-20.  */object RFDTree {  val conf = new SparkConf()                                     //创建环境变量    .setMaster("local")                                             //设置本地化处理    .setAppName("ZombieBayes")                              //设定名称  val sc = new SparkContext(conf)  def main(args: Array[String]) {    val data = MLUtils.loadLibSVMFile(sc, "./src/main/spark/DT/DTree.txt")    val numClasses = 2//分类数量    val categoricalFeaturesInfo = Map[Int, Int]()//设定输入格式    val numTrees = 3// 随机雨林中决策树的数目    val featureSubSetStrategy = "auto" //设置属性在节点计算数,自动决定每个节点的属性数    val impurity = "entropy" //设定信息增益计算方式    val maxDepth = 5 //最大深度    val maxBins = 3 // 设定分割数据集    val model = RandomForest.trainClassifier(      data,      numClasses,      categoricalFeaturesInfo,      numTrees,      featureSubSetStrategy,      impurity,      maxDepth,      maxBins    )// 建立模型    model.trees.foreach(println)//打印每棵树信息    println(model.numTrees)  }}

结果如下

每次树的深度和节点会不同

以上是"spark mllib中如何实现随机森林算法"这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注行业资讯频道！