Random Forest เหมาะสมกับชุดข้อมูลที่มีขนาดเล็กมากหรือไม่?

ฉันมีชุดข้อมูลซึ่งประกอบด้วยข้อมูล 24 แถวทุกเดือน คุณลักษณะคือ GDP การมาถึงสนามบินรายเดือนและอื่น ๆ ตัวแปรตามคือจำนวนผู้เข้าชมปลายทางการท่องเที่ยวที่เป็นที่นิยม ป่าสุ่มจะเหมาะสำหรับปัญหานี้หรือไม่?

ข้อมูลนั้นไม่ใช่ข้อมูลสาธารณะดังนั้นฉันจึงไม่สามารถโพสต์ตัวอย่างได้

ฟอเรสต์แบบสุ่มนั้นจะเริ่มต้นการสุ่มตัวอย่างใหม่และฝึกการตัดสินใจต้นไม้บนตัวอย่างดังนั้นคำตอบสำหรับคำถามของคุณจำเป็นต้องพูดถึงสองข้อนั้น

บูต resamplingคือไม่ได้แก้สำหรับตัวอย่างขนาดเล็ก หากคุณมีการสังเกตเพียงยี่สิบสี่ครั้งในชุดข้อมูลของคุณตัวอย่างแต่ละตัวอย่างที่ถูกแทนที่ด้วยข้อมูลนี้จะประกอบด้วยค่าที่แตกต่างกันไม่เกินยี่สิบสี่ค่า การสับเคสและการไม่วาดภาพบางส่วนจะไม่เปลี่ยนความสามารถของคุณในการเรียนรู้อะไรใหม่เกี่ยวกับการแจกแจงพื้นฐาน ดังนั้นตัวอย่างเล็ก ๆเป็นปัญหาสำหรับ bootstrap

ต้นไม้การตัดสินใจได้รับการฝึกฝนโดยการแยกข้อมูลตามตัวแปรตัวทำนายล่วงหน้าทีละหนึ่งตัวแปรเพื่อค้นหาชุดย่อยที่มีอำนาจในการเลือกปฏิบัติมากที่สุด หากคุณมีเพียงยี่สิบสี่กรณีให้พูดว่าถ้าคุณโชคดีและการแบ่งทั้งหมดมีขนาดเท่ากันถ้าคุณแยกสองกลุ่มคุณจะจบลงด้วยสี่กลุ่มหกกรณีพร้อมต้นไม้แยกกับกลุ่มแปดสามกลุ่ม หากคุณคำนวณค่าเฉลี่ยตามเงื่อนไขในตัวอย่าง (เพื่อทำนายค่าอย่างต่อเนื่องในต้นไม้ถดถอยหรือความน่าจะเป็นตามเงื่อนไขในต้นไม้ตัดสินใจ) คุณจะใช้ข้อสรุปของคุณเฉพาะในสองสามกรณีเหล่านั้น! ตัวอย่างย่อยที่คุณจะใช้ในการตัดสินใจจะน้อยกว่าข้อมูลต้นฉบับของคุณ

กับกลุ่มตัวอย่างขนาดเล็กก็มักจะฉลาดที่จะใช้วิธีการง่ายๆ ยิ่งไปกว่านั้นคุณสามารถติดตามตัวอย่างขนาดเล็กโดยใช้นักบวชที่มีข้อมูลในการตั้งค่าแบบเบย์ (ถ้าคุณมีความรู้นอกเรื่องข้อมูลที่สมเหตุสมผลเกี่ยวกับปัญหา) ดังนั้นคุณสามารถลองใช้แบบจำลองแบบเบส์ที่สร้างขึ้นเองได้

ในอีกด้านหนึ่งนี่เป็นชุดข้อมูลขนาดเล็กและฟอเรสต์แบบสุ่มเป็นที่ต้องการข้อมูล

ในทางกลับกันอาจมีบางสิ่งที่ดีกว่าไม่มีอะไร ไม่มีอะไรจะพูดนอกจาก "ลองและดู" คุณจะต้องตัดสินใจว่าโมเดลใด ๆ นั้นดีหรือไม่ ยิ่งกว่านั้นเราไม่สามารถบอกคุณได้ว่าแบบจำลองใดเหมาะสำหรับวัตถุประสงค์เฉพาะ (หรือคุณไม่ต้องการให้เราทำ - ไม่มีค่าใช้จ่ายสำหรับเราหากเราทำผิด!)