오 탐지 횟수를 줄이는 방법은 무엇입니까?

보행자 감지 라는 작업을 해결하려고 노력하고 있으며 사람, 부정-배경이라는 두 가지 범주의 긍정적 인 이진 clasifer를 훈련시킵니다.

데이터 세트가 있습니다.

• 긍정 수 = 3752
• 음수 = 3800

train \ test split 80 \ 20 % 및 RandomForestClassifier 양식 scikit-learn 을 매개 변수와 함께 사용합니다.

RandomForestClassifier(n_estimators=100, max_depth=50, n_jobs= -1)

점수를 얻습니다 : 95.896757 %

훈련 데이터에 대한 테스트 (완벽하게 작동) :

true positive:  3005
false positive:  0
false negative:  0
true negative:  3036

테스트 데이터 테스트 :

true positive:  742
false positive:  57
false negative:  5
true negative:  707

내 질문은 오 탐지를 줄이는 방법 (사람으로 분류 된 배경)입니까? 또한 왜 거짓 부정보다 잘못된 긍정적 오류가 있습니까?

class_weight매개 변수 를 사용하려고했지만 어느 시점에서 성능이 저하됩니다 (class_weight = {0 : 1,1 : 4}에서 볼 수 있듯이).

class_weight= {0:1,1:1}
true positive:  3005
false positive:  0
false negative:  0
true negative:  3036

true positive:  742
false positive:  55
false negative:  5
true negative:  709
score: 96.029120 %

class_weight= {0:1,1:2}
true positive:  3005
false positive:  0
false negative:  0
true negative:  3036

true positive:  741
false positive:  45
false negative:  6
true negative:  719
score: 96.624752 %

class_weight= {0:1,1:3}
true positive:  3005
false positive:  0
false negative:  0
true negative:  3036

true positive:  738
false positive:  44
false negative:  9
true negative:  720
score: 96.492389 %

class_weight= {0:1,1:4}
true positive:  3005
false positive:  13
false negative:  0
true negative:  3023

true positive:  735
false positive:  46
false negative:  12
true negative:  718
score: 96.161482 %

class_weight= {0:1,1:5}
true positive:  3005
false positive:  31
false negative:  0
true negative:  3005

true positive:  737
false positive:  48
false negative:  10
true negative:  716
score: 96.161482 %

class_weight= {0:1,1:6}
true positive:  3005
false positive:  56
false negative:  0
true negative:  2980

true positive:  736
false positive:  51
false negative:  11
true negative:  713
score: 95.896757 %

class_weight= {0:1,1:7}
true positive:  3005
false positive:  87
false negative:  0
true negative:  2949

true positive:  734
false positive:  59
false negative:  13
true negative:  705
score: 95.234944 %

또한 RandomForest가 불균형 데이터 세트로 고통받지 않는 것 같습니다.

위치 = 3752 부정 = 10100

class_weight = {0 : 1,1 : 1} 참 긍정적 : 3007 거짓 긍정적 : 0 거짓 부정 : 0 참 부정 : 8074

true positive:  729
false positive:  71
false negative:  16
true negative:  1955
score: 96.860339 %

class_weight= {0:1,1:2}
true positive:  3007
false positive:  0
false negative:  0
true negative:  8074

true positive:  728
false positive:  59
false negative:  17
true negative:  1967
score: 97.257308 %

class_weight= {0:1,1:3}
true positive:  3007
false positive:  0
false negative:  0
true negative:  8074

true positive:  727
false positive:  58
false negative:  18
true negative:  1968
score: 97.257308 %

나는 임의의 숲에 관해서는 전문가가 아니며, 최근에 읽었습니다. 그러나 그것이 나에게 어떻게 보이는지 당신은 임의의 숲을 과장하고 있습니다. 내가 할 일은 가방 밖 관찰을 사용하여 예측하는 기술을 사용하는 것입니다. 다음 슬라이드에서 절차를 찾을 수 있습니다. https://lagunita.stanford.edu/c4x/HumanitiesScience/StatLearning/asset/trees.pdf

이 섹션에서는이 섹션에서 언급 한 그래디언트 부스팅 머신 (GBM)이라는 다른 슬라이드도 언급하고 있습니다. GBM이 임의 포리스트보다 직관적이라고 생각합니다.

Edit1 : 다시 확인했는데 부트 스트랩이 GBM의 첫 단계 인 것 같습니다. 또한 부트 스트랩 자체에 문제가 없으며 훌륭하고 좋습니다. 그것의 유일한 문제는 그것이 매우 나쁘게 사용될 수 있다는 것입니다.