我正在使用scikit-learn的随机森林回归器来拟合数据集上的随机森林回归器。是否可能以一种格式解释输出,以便我可以在不使用scikit-learn甚至Python的情况下实现模型拟合?
解决方案需要在微控制器或甚至FPGA中实现。我正在使用Python进行分析和学习,但希望在uC或FPGA上实现。
解决方案需要在微控制器或甚至FPGA中实现。我正在使用Python进行分析和学习,但希望在uC或FPGA上实现。
export_graphviz
函数。你可以通过boost库的read_graphviz
方法或其他可用的自定义解释器在C++中加载和处理模型。这部分的意思不太清楚:
现在,我已经有了结果,是否有可能以某种格式解释它,然后实现拟合过程,而不使用sklearn甚至python?
为给定数据集实现拟合过程?树拓扑结构?参数选择?
关于“不使用sklearn或python实现”,您是指“移植字节码或二进制文件”还是“完全新的代码实现”?
假设您指的是后者,我建议使用GPU而不是FPGA或uC。
export_graphviz
在sklearn.tree
中,并且需要一个决策树作为参数。那么如何将其应用于sklearn.ensemble.RandomForestRegressor
这样的集成方法呢? - Carlos Macasaet