Interpretation der Fehlerschätzung für RandomForestRegressor

Ich verwende den RandomForest-Regressor für meine Daten und konnte feststellen, dass der oob-Wert 0,83 betrug. Ich bin mir nicht sicher, wie es dazu kam. Ich meine, meine Ziele sind hohe Werte im Bereich von 10 ^ 7. Wenn es also MSE ist, sollte es viel höher sein. Ich verstehe nicht, was 0,83 hier bedeutet.

Ich verwende Pythons RandomForestRegressor des sklearn-Toolkits.

ich mache

model = RandomForestRegressor (max_depth = 7, n_estimators = 100, oob_score = True, n_jobs = -1) model.fit (trainX, trainY)

Dann sehe ich model.oob_score_ und erhalte Werte wie 0.83809026152005295

$R^2$

self.oob_score_ = 0.0
for k in xrange(self.n_outputs_):
    self.oob_score_ += r2_score(y[:, k], predictions[:, k])
self.oob_score_ /= self.n_outputs_

r2_score()berechnet den Bestimmungskoeffizienten aka. R2 , dessen bestmögliche Punktzahl 1,0 beträgt, und niedrigere Werte sind schlechter.

Zu Ihrer Information:

• Was ist der Out-of-Bag-Fehler in Random Forests?
• Was ist der Unterschied zwischen "Bestimmungskoeffizient" und "mittlerem quadratischen Fehler"?
• Breiman, Leo. Out-of-Bag-Schätzung . Technischer Bericht, Statistikabteilung, Universität von Kalifornien Berkeley, Berkeley CA 94708, 1996b. 33, 34, 1996.