deep forest安装及使用教程

模型背景：深度学习模型通常依赖反向传播算法和大量标注数据，需耗费大量时间和计算资源，在资源有限场景中表现欠佳。深度森林旨在融合传统机器学习与深度学习优点，探索用不可微模块构建深度模型，以解决深度学习的一些不足。

模型原理：

• 级联结构：通过多层森林层逐步提取和增强特征。每一层的森林由多个决策树集成，如完全随机森林和随机森林。完全随机森林从完整特征空间随机选特征分裂，随机森林在随机特征子空间用GINI分数筛选分裂节点。每层森林的输出作为下一层的输入，实现特征的深度挖掘和表示学习。
• 多粒度扫描：利用不同尺度滑动窗口获取输入数据不同粒度特征，将窗口提取的特征序列输入森林，森林输出对应类别的概率，多个森林结果拼接作为转换后的特征，用于级联森林模块的输入，能让模型捕捉数据不同层次信息。

模型特点：

• 超参数少：相比