嘿，朋友们！今天我们要来聊一聊一个hen酷的东西——极端随机树！是不是听起来有点麻烦？别担心，我来磨蹭磨蹭给你们说明白，保证轻巧松容易懂哦！

啥是极端随机树？

极端随机树是一种超级有力巨大的机器学算法， 它就像是一个超级机灵的机器人，Neng帮你处理各种数据，比如分类、预测等等。

在随机森林中，每棵树用的dou是不同的有限特征集。在个个节点处仅考虑该特征集中的一个随机子集。而极端随机树呢？它在训练时Higher Speed，基本上原因是树的生长远是独立的，Neng并行处理。在极端随机树中，每棵树用的dou是彻头彻尾随机的特征集。在个个节点处随机选择特征集中的一个随机子集。

听起来有点麻烦，但别怕，我会用Zui轻巧松的话来说明白。想象一下Ru果你有hen许多hen许多的水果，你想要找出哪些是甜的。正常情况下 你兴许会把全部的水果dou尝一遍，但极端随机树就像是你只尝了一细小有些，然后就Neng准确地说出哪些是甜的。

极端随机树的优良处和恶劣处

优良处：

在极端随机树中，每棵树用的dou是彻头彻尾随机的特征集。在个个节点处随机选择特征集中的一个随机子集。

极端随机树是一种有效的分类和回归方法， 它采用随机特征选择和随机阈值分割来创建一组决策树，搞优良了模型的泛化Neng力和抗过拟合Neng力。

它比其他模型geng适用于训练数据不够和噪声数据较许多的问题，但在处理线性数据时的表现兴许欠佳。

恶劣处：

不优良的地方：在随机森林中，每棵树用的dou是不同的有限特征集。在个个节点处仅考虑该特征集中的一个随机子集。

极端随机树与随机森林的对比

极端随机树与随机森林dou是随机决策树的改进算法。它们之间的不一样在于随机选取特征的方式不同。

极端随机树Neng处理高大维数据，而其他算法则需要一巨大堆的数据预处理。

由于极端随机树的训练过程中， 它不会去计算个个决策的划分点像随机森林一样，所以极端随机树的训练时候比随机森林geng短暂。

相比随机森林， 极端随机树geng轻巧松受到噪声的关系到，但在训练时速度geng迅速，所以得根据实际问题需要进行选择。

极端随机树对于线性数据的拟合Neng力较差， 会hen轻巧松造成欠拟合，一边也不太适合一些需要准准的度较高大的问题。

极端随机树不如随机森林稳稳当当，兴许基本上原因是随意化特征的选择而少许些了模型的准确性。

在训练数据不够和噪声数据较许多的情况下 极端随机树比其他算法geng具有鲁棒性，Neng够表现出geng优良的泛化性Neng。

怎么用极端随机树呢？

其实用起来也hen轻巧松，就像我们平时玩游戏一样。先说说你需要从sklearn这玩意儿超级厉害的库里面导入Extreme Trees Regressor。然后你就Neng开头训练你的模型了。就像这样：

from sklearn.tree import ExtraTreesRegressor
# 生成极端随机树模型
et_reg = ExtraTreesRegressor
# 训练模型
et_reg.fit
# 预测
y_pred = et_reg.predict

怎么样，是不是hen轻巧松？眼下你也是一个超级机灵的机器学细小达人了！

优良啦，今天我们就聊到这里。极端随机树真实的hen酷，相信你们也Neng学会怎么用它。下次再见面的时候，我们Neng一起聊聊geng许多好玩的东西！