python机器学习——随机森林_python 随机森林模型-CSDN博客

本文链接：https://blog.csdn.net/EchoToMe/article/details/134344137

随机森林

随机森林（Random Forest）是一种集成学习方法，它通过构建多个决策树并结合它们的预测结果来进行分类或回归。

算法原理：

决策树（Decision Tree）: 随机森林由多个决策树组成。决策树是一种基于树状结构的模型，用于从一个特征空间映射到目标值的过程。在决策树中，每个内部节点表示一个特征或属性，每个分支代表一个可能的特征输出，而每个叶节点代表一个类别或者数值。
Bagging（Bootstrap Aggregating）: 随机森林利用自助采样（bootstrap sampling）的方法，从训练集中有放回地抽取若干个样本，用于训练每棵决策树。这样可以保证每棵决策树的训练集略有不同，增加了模型的多样性。
随机特征选择: 在构建决策树的过程中，每次选择分裂节点时只考虑特征集的一个随机子集。这个过程减少了各个决策树之间的相关性，提高了模型的多样性。
投票或平均: 在分类问题中，随机森林通过投票的方式确定最终的分类结果；在回归问题中，随机森林通过平均各个决策树的预测值来得到最终的预测结果。

编程中可能用到的名词：

n_estimators: 随机森林中决策树的数量。
max_features: 每棵树在分裂节点时需要考虑的特征数量。
min_samples_split: 内部节点再划分所需的最小样本数。
criterion: 用于衡量分裂质量的准则，可以是**“mse”（均方误差）或"mae"（平均绝对误差）**等。

评估方法：

对于分类问题，可以使用准确率（accuracy）、精确率（precision）、召回率（recall）等指标进行评估。
对于回归问题，可以使用均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）等指标进行评估。

优缺点：

优点：

随机森林能够处理高维数据，并且不需要对数据进行特征缩放。
在处理缺失值和异常值时表现较好。
对于大量数据集，随机森林能够有效地减小过拟合的风险。
能够评估特征的重要性。

缺点：

对噪声较大的数据敏感。
不适合处理非常稀有的事件。
在某些情况下，随机森林可能会因为过多的树而导致计算开销较大。

可以使用的场景：

随机森林适用于各种类型的数据，包括分类和回归问题。
适用于大规模数据集和高维数据。
在特征具有不同重要性的情况下表现良好。
通常用于金融、医疗、生物信息学等领域的预测建模。

RandomForestRegressor函数

参数：

n_estimators: 随机森林中决策树的数量。
criterion: 用于衡量分裂质量的准则，可以是"mse"（均方误差）或"mae"（平均绝对误差）。
max_depth: 决策树的最大深度。
min_samples_split: 内部节点再划分所需的最小样本数。
min_samples_leaf: 叶节点最少样本数。
max_features: 寻找最佳分割点时要考虑的特征数量。
n_jobs: 并行处理任务的数量。
random_state: 控制随机性的种子。

确定参数的方法

n_estimators:
- 通常情况下，增加决策树的数量能够提升模型的性能，但会增加计算成本。开始时可以选择一个合适的初始值（比如 100），然后通过交叉验证等方法来调整。
criterion:
- 对于分类问题，默认可以选择"gini"或者"entropy"作为衡量分裂质量的准则。在不确定时，可以尝试使用交叉验证来选择最优的准则。
max_depth:
- 决策树的最大深度可以控制模型的复杂度。开始时可以设置一个较大的值，然后通过验证曲线或者交叉验证来选择合适的深度，以避免过拟合或者欠拟合。
random_state:
- 这个参数控制随机性，设置了特定的值之后可以保证模型的可重复性。一般来说，可以选择一个固定的种子值，比如 42，以便结果可以被重现。
min_samples_split:
- 控制一个节点需要分裂所需要的最小样本数，可以通过交叉验证来选择合适的数值。
min_samples_leaf:
- 叶节点所需的最小样本数，同样可以通过交叉验证来进行选择。
max_features:
- 控制每棵树在分裂节点时考虑的最大特征数量，可以通过尝试不同的值来进行调整。
n_jobs:
- 用于指定训练时并行运行的作业数，通常可以设为 -1 表示使用所有可用的 CPU。但是在资源受限的情况下，可以适当调整这个值。

交叉验证

交叉验证是一种评估模型性能和进行参数调优的统计学方法。它通过将数据集划分为训练集和测试集，反复使用数据的不同部分进行训练和测试，以获得可靠的模型性能评估。

常见的交叉验证方法包括 K 折交叉验证（K-fold cross-validation）和留一交叉验证（leave-one-out cross-validation）：

K 折交叉验证：
- 将原始数据集分成 K 个子集，其中一个子集被保留作为测试集，其余 K-1 个子集用来训练模型。这个过程重复 K 次，每个子集都有机会成为测试集。最后，计算 K 次评估的平均值作为最终的性能指标。
留一交叉验证：
- 留一交叉验证是 K 折交叉验证的一个特例，其中 K 等于样本数。对于每一轮，只留下一个样本作为测试集，其余的样本作为训练集。然后计算每次迭代的性能指标，并求平均值。

交叉验证可以帮助我们更充分地利用数据集，降低训练结果对数据划分的依赖性，同时能够更准确地评估模型在未见数据上的泛化能力。在模型选择和调参时，交叉验证也能够帮助我们选择最优的超参数组合，以避免模型在特定数据集上的过拟合或欠拟合。

交叉验证的方法

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV, KFold
from sklearn.datasets import load_diabetes
import numpy as np

# 加载糖尿病数据集

diabetes = load_diabetes()
X, y = diabetes.data, diabetes.target

# 定义参数网格
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_features': [1.0],
    'max_depth' : [10, 20, 30],
    'n_jobs':[-1],
    'criterion' : ['absolute_error', 'squared_error', 'poisson', 'friedman_mse']  # 将 criterion 参数的取值修改为合法选项
}

# 初始化随机森林回归器

rf = RandomForestRegressor()

# 初始化交叉验证方法

kfold = KFold(n_splits=5, shuffle=True, random_state=42)

# 执行网格搜索

grid_search = GridSearchCV(rf, param_grid, cv=kfold, scoring='neg_mean_squared_error')
grid_search.fit(X, y)

# 输出最佳参数和评分

print("最佳参数：", grid_search.best_params_)
print("最佳模型得分：", grid_search.best_score_)

这里采用的是K折交叉验证

这个代码会从我们选择的param_grid中选择最优的参数并且返回，但是这个代码的运行速度极慢，建议一个一个参数的进行测试，不要所有参数一起测试

例子

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.datasets import load_diabetes
import numpy as np

# 加载糖尿病数据集

diabetes = load_diabetes()
X, y = diabetes.data, diabetes.target

# 将数据集划分为训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义参数网格

param_grid = {
    'n_estimators': [100, 200, 300],
    'max_features': ['auto', 'sqrt', 'log2'],
    'max_depth' : [10, 20, 30],
    'min_samples_split': [2, 5, 10],
    'min_samples_leaf': [1, 2, 4]
}

# 初始化随机森林回归器

rf = RandomForestRegressor(random_state=42)

# 执行网格搜索

grid_search = GridSearchCV(rf, param_grid, cv=5, scoring='neg_mean_squared_error', n_jobs=-1)
grid_search.fit(X_train, y_train)

# 输出最佳参数

print("最佳参数：", grid_search.best_params_)

# 在测试集上评估模型

best_rf = grid_search.best_estimator_
y_pred = best_rf.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("在测试集上的均方误差：", mse)

首先，我们导入需要的库，包括RandomForestRegressor、GridSearchCV、train_test_split等；
加载糖尿病数据集，并将数据集划分为训练集和测试集；
定义了一个参数网格param_grid，包括了随机森林模型的各种参数及其可能的取值；
初始化了一个随机森林回归器rf；
使用GridSearchCV进行网格搜索和交叉验证，寻找最佳的参数组合；
输出了最佳的参数组合，并用这些参数在测试集上评估模型的性能，计算并输出了均方误差（MSE）作为评估指标。

需要注意的是，这个代码的运行时间较长

预测

假设我们有一组新的特征数据X_new需要进行预测，可以像下面这样使用训练好的模型进行预测：

# 假设有一组新的特征数据 X_new 需要进行预测
X_new = np.array([[0.03906215, 0.05068012, 0.06169621, 0.02187235, -0.0442235,
                   -0.03482076, -0.04340085, -0.00259226, 0.01990842, -0.01764613]])

# 使用训练好的模型进行预测
predicted_y = best_rf.predict(X_new)
print("预测的结果：", predicted_y)