sklearn学习笔记6：随机森林

一.RandomForestClassifier

n_estimator

• 这是森林中树木的数量，即基评估器的数量
• n_estimator越大，模型的效果往往越好，需要的计算量和内存也越大，训练的时间也会越来越长

random_state

• 当random_state固定时，随机森林中生成的是一组固定的树，但每棵树依然是不一致的。这是用“随机挑选特征进行分枝”的方法得到的随机性，当这种随机性越大的时候，袋装法的效果一般会越来越好

bootstrap & oob_score

• bootstrap参数默认True，代表采用这种有放回的随机抽样技术。通常这个参数不会被我们设置为False
• 如果希望用袋外数据来测试，则需要在实例化时就将oob_score这个参数调整为True，训练完毕之后，我们可以用随机森林的另外一个重要属性：oob_score_来查看在袋外数据上测试的结果

二.RandomForestRegressor

所有的参数，属性和接口，全部和随机森林分类器一致，还是apply，fit，predict和score最为核心。仅有的不同就是回归树与分类树不纯度的指标，参数criterion不一致

随机森林没有predict_proba这个接口

criterion

• 输入“mse”使用均方误差，这种方法通过使用叶子节点的均值来最小化L2损失
• 输入“friedman_mse”使用费尔德曼均方误差，这种指标使用弗里德曼针对潜在分枝中的问题改进后的均方误差
• 输入“mae”使用绝对平均误差，这种指标使用叶子节点的中值来最小化L1损失

在回归树中，MSE不只是我们的分枝质量衡量指标，也是我们最常用的衡量回归树回归质量的指标，回归树的接口score返回的是R平方，并不是MSE，虽然均方误差永远为正，但是sklearn当中使用均方误差作为评判标准时，却是计算“负均方误差”

三.案例：使用随机森林填补缺失值

对于一个有n个特征的数据来说，其中特征T有缺失值，我们就把特征T当作标签，其他的n-1个特征和原本的标签组成新的特征矩阵，那对于T来说，它没有缺失的部分，就是我们的Y_test，这部分数据既有标签也有特征，而它缺失的部分，只有特征没有标签，这就是我们需要预测的部分

• 特征T不缺失的值对应的其它n-1个特征 + 本来的标签：X_train
• 特征T不缺失的值：Y_train
• 特征T缺失的值对应的其它n-1个特征 + 本来的标签：X_test
• 特征T缺失的值：未知，我们需要预测的Y_test

这种做法，对于某一个特征大量缺失，其他特征却很完整的情况，非常适用

那如果数据中除了特征T之外，其他特征也有缺失值怎么办？

• 遍历所有的特征，从缺失最少的开始进行填补（因为填补却是最少的特征所需要的准确信息最少）
• 填补一个特征时，先将其他特征的缺失值用0代替，每完成一次回归预测，就将预测值放到原本的特征矩阵中，再继续填补下一个特征。每一次填补完毕，有缺失值的特征会减少一个，所以每次循环后，需要用0来填补的特征就越来越少。当进行到最后一个特征时（这个特征应该是所有特征中缺失值最多的），已经没有任何的其他特征需要用0来进行填补了，而我们已经使用回归为其他特征填补了大量有效信息，可以用来填补却是最多的特征
• 遍历所有特征后，数据就完整，不再有缺失值了

sortindex = np.argsort(X_missing_reg.isnull().sum(axis=0)).values

for i in sortindex:

  #构建我们的新特征矩阵和新标签
  df = X_missing_reg
  fillc = df.iloc[:,i]
  df = pd.concat([df.iloc[:,df.columns != i],pd.DataFrame(y_full)],axis=1)

  #在新特征矩阵中，对含有缺失值的列，进行0的填补
  df_0 = SimpleImputer(missing_values = np.nan,
                       strategy = 'constant',fill_value = 0).fit_transform(df)

  #找出训练集和测试集
  Ytrain = fillc[fillc.notnull()]
  Ytest = fillc[fillc.isnull()]
  Xtrain = df_0[Ytrain.index,:]
  Xtest = df_0[Ytest.index,:]

  #用随机森林回归来填补缺失值
  rfc = RandomForestRegressor(n_estimators=100)
  rfc = rfc.fit(Xtrain,Ytrain)
  Ypredict = rfc.predict(Xtest)
 
  #将填补好的特征返回到我们的原始的特征矩阵中
  X_missing_reg.loc[X_missing_reg.iloc[:,i].isnull(),i] = Ypredict