转载地址:https://blog.csdn.net/flying_sfeng/article/details/64133822/
在讲随机森林前,我先讲一下什么是集成学习。集成学习通过构建并结合多个分类器来完成学习任务。集成学习通过将多个学习器进行结合,常可获得比单一学习器更好的泛化性能。
考虑一个简单例子:在二分类任务中,假定三个分类器在三个测试样本上的表现如下图,其中√表示分类正确,×表示分类错误,集成学习的结果通过投票法产生,即“少数服从多数”。如下图,在(a)中,每个分类器都只有66.6%的精度,但集成学习却达到了100%;在(b)中,三个分类器没有差别,集成之后性能没有提高;在(c)中,每个分类器的精度都只有33.3%,集成学习的结果变得更糟。这个简单地例子显示出:要获得好的集成,个体学习器应“好而不同”,即个体学习器要有一定的“准确性”,即学习器不能太差,并且要有“多样性”,即学习器间具有差异。
根据个体学习器的生成方式,目前的集成学习方法大致可分为两大类,即个体学习器之间存在强依赖关系,必须串行生成的序列化方法,以及个体学习器间不存在强依赖关系,可同时生成的并行化方法;前者的代表是Boosting,后者的代表是Bagging和“随机森林”(Random Forest)
Bagging与随机森林
要得到泛化性能强的集成,集成中的个体学习器应尽可能相互独立,虽然这在现实任务中很难做到,但我们可以设法使基学习器尽可能具有较大的差异。
在我的实验中,使用“自助采样法”:给定包含m个样本的数据集,我们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m次随机操作,我们得到含m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。
按照这种方法,我们可以采样出T个含m个训练样本的采样集,然后基于每个采样集训练处一个基学习器,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。
随机森林是Bagging的一个扩展。随机森林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选择(即引入随机特征选择)。传统决策树在选择划分属性时时在当前节点的属性集合(假定有d个属性)中选择一个最优属性;而在随机森林中,对基决策树的每个节点,先从该节点的属性集合中随机选择一个包含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:若令k=d,则基决策树的构建与传统决策树相同;若令k=1,则是随机选择一个属性进行划分。
在这篇文章中,我们只讲随机森林的分类部分。随机森林用于分类时,即采用n个决策树分类,将分类结果用简单投票法得到最终分类,提高分类准确率。
对于决策树不太了解的童鞋,可以看我的上一篇博客:决策树原理及Python代码实现
简单来说,随机森林就是对决策树的集成,但有两点不同:
(1)采样的差异性:从含m个样本的数据集中有放回的采样,得到含m个样本的采样集,用于训练。这样能保证每个决策树的训练样本不完全一样。
(2)特征选取的差异性:每个决策树的n个分类特征是在所有特征中随机选择的(n是一个需要我们自己调整的参数)
随机森林需要调整的参数有:
(1) 决策树的个数
(2) 特征属性的个数
(3) 递归次数(即决策树的深度)
下面,讲一下如何用代码实现随机森林。
代码实现流程:
(1) 导入文件并将所有特征转换为float形式
(2) 将数据集分成n份,方便交叉验证
(3) 构造数据子集(随机采样),并在指定特征个数(假设m个,手动调参)下选取最优特征
(4) 构造决策树
(5) 创建随机森林(多个决策树的结合)
(6) 输入测试集并进行测试,输出预测结果
(1) 导入文件并将所有特征转换为float形式
- #加载数据
- def loadCSV(filename):
- dataSet=[]
- with open(filename,'r') as file:
- csvReader=csv.reader(file)
- for line in csvReader:
- dataSet.append(line)
- return dataSet
- #除了判别列,其他列都转换为float类型
- def column_to_float(dataSet):
- featLen=len(dataSet[0])-1
- for data in dataSet:
- for column in range(featLen):
- data[column]=float(data[column].strip())
- #将数据集分成N块,方便交叉验证
- def spiltDataSet(dataSet,n_folds):
- fold_size=int(len(dataSet)/n_folds)
- dataSet_copy=list(dataSet)
- dataSet_spilt=[]
- for i in range(n_folds):
- fold=[]
- while len(fold) < fold_size: #这里不能用if,if只是在第一次判断时起作用,while执行循环,直到条件不成立
- index=randrange(len(dataSet_copy))
- fold.append(dataSet_copy.pop(index)) #pop() 函数用于移除列表中的一个元素(默认最后一个元素),并且返回该元素的值。
- dataSet_spilt.append(fold)
- return dataSet_spilt
(3) 构造数据子集(随机采样),并在指定特征个数(假设m个,手动调参)下选取最优特征
- #构造数据子集
- def get_subsample(dataSet,ratio):
- subdataSet=[]
- lenSubdata=round(len(dataSet)*ratio)
- while len(subdataSet) < lenSubdata:
- index=randrange(len(dataSet)-1)
- subdataSet.append(dataSet[index])
- #print len(subdataSet)
- return subdataSet
- #选取任意的n个特征,在这n个特征中,选取分割时的最优特征
- def get_best_spilt(dataSet,n_features):
- features=[]
- class_values=list(set(row[-1] for row in dataSet))
- b_index,b_value,b_loss,b_left,b_right=999,999,999,None,None
- while len(features) < n_features:
- index=randrange(len(dataSet[0])-1)
- if index not in features:
- features.append(index)
- #print 'features:',features
- for index in features:
- for row in dataSet:
- left,right=data_spilt(dataSet,index,row[index])
- loss=spilt_loss(left,right,class_values)
- if loss < b_loss:
- b_index,b_value,b_loss,b_left,b_right=index,row[index],loss,left,right
- #print b_loss
- #print type(b_index)
- return {'index':b_index,'value':b_value,'left':b_left,'right':b_right}
(4) 构造决策树
- #构造决策树
- def build_tree(dataSet,n_features,max_depth,min_size):
- root=get_best_spilt(dataSet,n_features)
- sub_spilt(root,n_features,max_depth,min_size,1)
- return root
(5) 创建随机森林(多个决策树的结合)
- #创建随机森林
- def random_forest(train,test,ratio,n_feature,max_depth,min_size,n_trees):
- trees=[]
- for i in range(n_trees):
- subTrain=get_subsample(train,ratio)
- tree=build_tree(subTrain,n_features,max_depth,min_size)
- #print 'tree %d: '%i,tree
- trees.append(tree)
- #predict_values = [predict(trees,row) for row in test]
- predict_values = [bagging_predict(trees, row) for row in test]
- return predict_values
(6) 输入测试集并进行测试,输出预测结果
- #预测测试集结果
- def predict(tree,row):
- predictions=[]
- if row[tree['index']] < tree['value']:
- if isinstance(tree['left'],dict):
- return predict(tree['left'],row)
- else:
- return tree['left']
- else:
- if isinstance(tree['right'],dict):
- return predict(tree['right'],row)
- else:
- return tree['right']
- # predictions=set(predictions)
对以上代码的一点总结:
训练部分:假设我们取dataset中的m个feature来构造决策树,首先,我们遍历m个feature中的每一个feature,再遍历每一行,通过spilt_loss函数(计算分割代价)来选取最优的特征及特征值,根据是否大于这个特征值进行分类(分成left,right两类),循环执行上述步骤,直至不可分或者达到递归限值(用来防止过拟合),最后得到一个决策树tree。
测试部分:对测试集的每一行进行判断,决策树tree是一个多层字典,每一层为一个二分类,将每一行按照决策树tree中的分类索引index一步一步向里层探索,直至不出现字典时探索结束,得到的值即为我们的预测值。
附上:随机森林完整代码
编程环境:Python2.7
参考:
《机器学习》作者:周志华