按年被提到
20172017 · 2 次2026
机器学习与深度学习›神经网络架构探索·arXiv:1702.08835 · cs.LG

Deep Forest

深度森林(Deep Forest)
Zhi-Hua Zhou, Ji Feng · 2017

用决策树集成逐层堆叠,不用反向传播也能搭深度模型

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2017-03-02 · 最近 2026-03-02发表于 National Science Review
3不同的人
3活跃月份
3讨论串
786被引(OpenAlex)

探讨用不可微模块构建深度模型的可能性,推测深度神经网络成功源于三个特征:逐层处理、模型内特征变换、足够的模型复杂度。作者据此提出 gcForest 方法,生成具备这些特征的“深度森林”,这是一种决策树集成方法,超参数比深度神经网络少得多,模型复杂度可依数据自动确定。实验表明其对超参数设置相当稳健,多数情况下即使跨领域数据也能用同一默认设置取得优秀表现。

HN 为什么提它

评论者称它是声称效果很好的方法,但有点怪、不是自己设想的样子,后来也被当作可以训练深度决策树森林的例子。

方法难度 3 / 5约 40 分钟经得起时间
读之前最好知道
1决策树与随机森林
2集成学习(ensemble methods)
3深度神经网络基础
4超参数调优

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用stochastic_monk · 2017-10

“Deep Forest [Deep Forest is a method which claims to work well, but it's somewhat odd; It's not quite what I would have imagined.”

评价 Deep Forest 号称效果好,但方法有些古怪
The often-overlooked random forest kernel原评论 ↗
引用thesz · 2026-03

“It is possible to train deep decision trees forests [1].”

指出深层决策树森林也能训练,用它作例子
Decision trees – the unreasonable power of nested decision rules原评论 ↗
被提交为 story · 1 次