机器学习（08）-集成学习之随机森林原理详解

1. 随机森林的简介

随机森林（Random Forest，简称RF）拥有广泛的应用前景，从市场营销到医疗保健保险，既可以用来做市场营销模拟的建模，统计客户来源，保留和流失，也可用来预测疾病的风险和病患者的易感性。最近几年的国内外大赛，包括阿里巴巴天池大数据竞赛以及Kaggle数据科学竞赛，参赛者对随机森林的使用占有相当高的比例。此外，一大部分成功进入答辩的队伍也都选择了Random Forest 或者 GBDT 算法。可以看出，Random Forest在准确率方面还是相当有优势的。

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。随机森林的名称中有两个关键词，一个是“随机”，一个就是“森林”。一棵叫做树，那么成百上千棵就是森林，这也是随机森林的主要思想——集成思想的体现。

从直观角度来解释，每棵决策树都是一个分类器（假设讨论的是分类问题），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。

2001年Breiman把分类树组合成随机森林，即在变量（列）的使用和数据（行）的使用上进行随机化，生成很多分类树，再汇总分类树的结果。随机森林在运算量没有显著提高的前提下提高了预测精度。

随机森林对多元公线性不敏感，结果对缺失数据和非平衡的数据比较稳健，可以很好地预测多达几千个解释变量的作用，被誉为当前最好的算法之一。

2. 随机森林算法

2.1. Bagging算法

想要得到泛化能力强的集成，集成中的个体学习器应尽可能相互独立；虽然"独立"在现实任务中无法做到，但可以设法使基学习器尽可能具有较大的差异。给定一个训练数据集，一种可能的做法是对训练样本进行采样，产生出若干不同的子集，再从每个数据子集中训练出一个基学习器。这样，由于训练数据不同，获得的基学习器可望具有较大的差异。然而，为获得好的集成，还希望个体学习器不能太差。如果采样出的每个子集都完全不同，则每个基学习器只用到了一小部分训练数据，甚至不足以进行有效学习，这显然无法确保产生出比较好的基学习器。为了解决这个问题，可以考虑使用相互有交叠的采样子集。

Bagging是并行式集成学习方法最著名的代表。它直接基于自助采样法(Bootstrap Sampling)，给定包含 个样本的数据集，先随机取出一个样本放入采样集中，再把该样本放回初始数据集，使得下次采样时该样本仍有可能被选中，这样，经过 次随机采样操作，得到含 个样本的采样集，初始训练集中有的样本在采样集里多次出现，有的则从未出现。

照这样，可采样出T个含m个样本的采样集，然后基于每个采样集训练出一个基学习器，再将这些基学习器进行结合，这就是Bagging的基本流程。在对预测输出进行结合时，Bagging通常对分类任务使用简单投票法，对回归任务使用简单平均法。若分类预测时出现两个类收到同样票数的情形，则最简单的做法是随机选择一个，也可进一步考察学习器投票的置信度来确定最终胜利者。Bagging的算法描述如图 1所示。

为处理多分类或者回归任务，AdaBoost需进行修改。与标准AdaBoost只适用于二分类任务不同，Bagging能不经修改的用于多分类、回归等任务。

从偏差-方差角度分析，Bagging主要关注降低方差，因此它在不剪枝决策树、神经网络等易受样本扰动的学习器上效用更为明显。

2.2. 随机森林算法原理

随机森林（Random Forest，简称RF）是Bagging的一个扩展变体，RF在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性的选择。具体而言，传统决策树在选择划分属性时是在当前结点的属性集合（假设有d个属性）中选择一个最优的属性；而在RF中，对基决策树的每个结点，先从该结点的属性集合中选择一个包含k个属性的子集，然后再从这个子集中选择一个最优属性用于划分。这里的参数k控制了随机性的引入程度：若 $k=d$，则基决策树的构建与传统决策树相同；若 $k=1$，则是随机选择一个属性进行划分；一般情况下，推荐 $k=lo{g}_{2}d$。

随机森林分类（RFC）是由很多决策树分类模型 组成的组合分类模型 { h ( x , k ) , k = 1 , 2 , . . . } \{h(x,k),k=1,2,...\} { h(x,k),k=1,2,...}，且参数集 { k } \{k\} { k}是独立同分布的随机向量，在给定自变量x下，每个决策树分类模型都由一票投票权来选择最优的分类结果。RFC的基本思想是：首先，利用bootstrap抽样从原始训练集中抽取k个样本，且每个样本的样本容量都与原始训练集一样；其次，对k个样本分别建立k个决策树模型，得到k种分类结果；最后，根据k种分类结果对每个记录进行投票决定其最终分类，详见图 2所示。

RF通过构造不同的训练集增加分类模型间的差异，从而提高组合分类模型的外推预测能力