随机森林

集成学习方法

集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此由于任何一个单分类的做出预测。

什么是随机森林

定义：在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

随机森林建立多个决策树的过程

N个样本，M个特征

单个树建立的过程：

• 随机在N个样本中选择一个样本，重复N次，样本有可能重复
• 随机在M个特征当中选出m个特征，m取值小于M
• 建立多棵决策树，其中样本，特征大多不一样（随机有放回的抽样 bootstrap）

为什么要随机抽样训练集？

如果不进行随机抽样，每棵树的训练集都一样，那么最终训练的树分类结果也完全一样

为什么要有放回地抽样？

如果不是有放回地抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的，而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

随机森林API

class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None)

随机森林分类器

• n_estimators：integer，optional（default = 10）森林里的树木数量120, 200, 300, 500, 800, 1200
• criteria：string，可选（default=’gini’）分割特征的测量方法
• max_depth：integer或None，可选（默认=无）树的最大深度，5, 8, 15, 25, 30
• max_features=’auto’，每一个决策树的最大特征数量
  • auto -> max_features = sqrt(n_features)
  • sqrt -> max_features = sqrt(n_features)
  • log2 -> max_features = log2(n_features)
  • None -> max_features = n_features
• Bootstrap: boolean, optional（default = True）是否在构建树时使用放回抽样

随机森林的优点

• 在当前所有算法中，具有极好的准确率
• 能够有效地运行在大数据集上
• 能够处理具有高维特征的输入样本，而且不需要降维
• 能够评估各个特征在分类问题上的重要性