针对其他指标优化 RandomForestRegressor答案

【问题标题】：optimizing RandomForestRegressor for other metrics针对其他指标优化 RandomForestRegressor
【发布时间】：2014-09-08 08:09:58
【问题描述】：

sklearn 随机森林的文档页面说

唯一支持的标准是均方误差的“mse”。

我的数据很乱并且有异常值，我觉得 MAE 或一些强大的惩罚函数会表现得更好。

有没有办法让随机森林回归器适合其他指标，例如迭代，或者是否有其他 python 开源替代方案，或者我对要求其他指标的假设本身是错误的？ Sklearn 在其他领域非常发达，所以我觉得奇怪的是只有 mse 支持随机森林这样重要的方法。

【问题讨论】：

【解决方案1】：

您可以使用GridSearchCV 或RandomizedSearchCV 来优化交叉验证循环中的另一个标准。森林本身仍会针对 MSE 进行优化，但 CV 循环会在选择的参数设置中找到森林，从而优化您感兴趣的实际标准。（它针对 CV 分数进行优化，而不是针对训练集分数进行优化。）

【讨论】：

感谢您的回答，抱歉，没有足够的声望投票。我不确定这里的 GridSearchCV，虽然通常是很好的调优工具，但它只允许选择诸如树深度或估计器数量之类的小东西，它不会影响拆分决策过程本身。