随机森林比线性回归差。正常吗？是什么原因？

Question

我正在尝试使用机器学习来预测数据集。这是一个具有 180 个输入特征和 1 个连续值输出的回归问题。我尝试比较神经网络、随机森林回归和线性回归。

正如我所料，3 隐藏层神经网络的性能优于其他两种方法，均方根误差 (RMSE) 为 0.1。然而，我意外地发现随机森林的表现甚至比线性回归还要差（RMSE 0.29 vs. 0.27）。在我的期望中，随机森林可以发现特征之间更复杂的依赖关系以减少错误。我尝试调整随机森林的参数（树数、最大特征、最大深度等）。我也尝试了不同的K交叉验证，但性能仍然不及线性回归。

我在网上搜索，一个答案说，如果特征对协变量有平滑、近乎线性的依赖，线性回归可能会表现得更好。我没有完全明白这一点，因为如果是这样的话，深度神经网络不应该带来很大的性能提升吗？

我很难给出解释。什么情况下，随机森林比线性回归差，但深度神经网络可以表现更好？

Answer 1

如果您的特征解释了与目标变量的线性关系，那么线性模型通常比随机森林模型表现得更好。这完全取决于你的特征之间的线性关系。

也就是说，线性模型并不优越，随机森林也并不优越。

尝试使用

MinMaxScaler()

中的

scikit-learn

缩放和转换数据，看看线性模型是否进一步改进

专业提示

如果线性模型非常有效，你需要问自己为什么？以及如何？深入了解这两个模型的基础知识，了解它为何适用于您的数据。这些问题将引导您更好地进行特征工程师。事实上，Kaggle 大师赛确实在堆叠中使用线性模型，通过捕获数据集中的线性关系来获得前 1% 的分数。

所以归根结底，线性模型也能创造奇迹。