机器学习——随机森林（Random forest）

相关文章链接：

        机器学习——人工神经网络（NN）

        机器学习——卷积神经网络（CNN）

        机器学习——循环神经网络（RNN）

        机器学习——长短期记忆（LSTM）

        机器学习——决策树（decision tree）

        机器学习——梯度提升决策树（GBDT）

        机器学习——XGboost模型

一、集成思想

两大流派：

1. Boosting一族通过将弱学习器提升为强学习器的集成方法来提高预测精度（典型算法：AdaBoost），GBDT也是Boosting的成员。
2. Bagging，即通过自助采用的方法生成众多并行式的分类器，通过“少数服从多数”的原则来确定最终的结果（典型算法：随机森林）

二、随机森林定义

随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。随机森林解决了决策树泛化能力弱的缺点，随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。

随机是指随机选择样本，随机选择特征。即每一棵树是从整个训练样本集当中选取固定数量的样本集，然后选取固定数量的特征集，从而构建随机森林中的每一棵决策树。

森林是指模型中包含了很多棵决策树。

从直观角度来解释，每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出，这就是一种最简单的Bagging思想。

 随机森林

三、熵

熵越大即这个类别的不确定性更大，反之越小，当随机变量的取值为两个时，熵随概率的变化曲线如下图：

 当p=0或p=1时，H(p)=0,随机变量完全没有不确定性，当p=0.5时，H(p)=1,此时随机变量的不确定性最大

四、条件熵

条件熵是用来解释信息增益而引入的概念，概率定义：随机变量X在给定条件下随机变量Y的条件熵，对定义描述为：X给定条件下Y的条件干率分布的熵对X的数学期望，在机器学习中为选定某个特征后的熵，公式如下：

p(xi)指是当xi发生时的概率

五、信息增益

信息增益在决策树算法中是用来选择特征的指标，信息增益越大，则这个特征的选择性越好，在概率中定义为：待分类的集合的熵和选定某个特征的条件熵之差

六、随机森林的生成

1、预设模型的超参数。几棵树？分几层？

2、如果每个样本的特征维度为M，指定一个常数m<<M，随机地从M个特征中选取m个特征子集，每次树进行分裂时，从这m个特征中选择最优的。

                DATASTET [N*D] => data subset [n*d]

                        N,n表示样本数量  N>>n

                        D,d表示特征数量  D>>d

3、输入待测样本到每个树中，再将每个数的结果整合。

                Regression问题求均值

                Classification问题求众数

七、随机森林的优缺点

优点：

1. 在当前所有算法中，具有极好的准确率；
2. 能够有效地运行在大数据集上；
3. 能够处理具有高维特征的输入样本，而且不需要降维；
4. 能够评估各个特征在分类问题上的重要性；
5. 在生成过程中，能够获取到内部生成误差的一种无偏估计；
6. 对于缺省值问题也能够获得很好得结果

缺点：

    1、模型往往过于General，不具备正确处理过于困难的样本的能力。