RF调参思想:RF模型可以理解成决策树模型嵌入到bagging框架,因此,我们首先对外层的bagging框架进行参数择优,然后再对内层的决策树模型进行参数择优。在优化某一参数时,需要把其他参数设置为常数。
(1) 训练数据集生成:
from sklearn.datasets import make_classification
X, y = make_classification(n_samples = 1000, n_features = 50, n_clusters_per_class = 1,
n_informative = 15, random_state = 10)
make_classification构建样本数1000和特征数50的二分类数据。
所有参数都采用默认值,查看分类情况:
from sklearn.ensemble import RandomForestClassifier
rf0 = RandomForestClassifier(oob_score = True, random_state = 10)
rf0.fit(X, y)
print(rf0.oob_score_)
print("accuracy:%f" % rf0.oob_score_)
准确率为:
accuracy:0.921000
(2) 对外层的bagging框架进行参数择优,即对n_estimators参数择优,其他参数仍然是默认值。
n_estimators参数择优的范围是1~101,步长为10,即10折交叉验证率选择最优n_estimators。
from sklearn.model_selection import GridSearchCV
param_test1 = {"n_estimators": range(1, 102, 10)}
gs1 = GridSearchCV(estimator = RandomForestClassifier(), param_grid = param_test1, scoring = 'roc_auc', cv = 10)
gs1.fit(X, y)
print(gs1.best_params_)
print("best accuracy:%f" % gs1.best_score_)
输出结果:
{‘n_estimators’: 81}
best accuracy:0.979818
因此,最佳的子决策树个数是81,准确率97.98%。
(3) 优化决策树参数的最大特征数max_features,其他参数设置为常数,且n_estimators为81。
max_features参数择优的范围1~11,步长为1,继续10折交叉验证选择最优max_features。
for i in gs1.best_params_.values():
n_estimator1 = i
param_test2 = {"max_features": range(1, 11, 1)}
gs2 = GridSearchCV(estimator = RandomForestClassifier(n_estimators = n_estimator1, random_state = 10), param_grid = param_test2, scoring = 'roc_auc', cv = 10)
gs2.fit(X, y)
print(gs2.best_params_)
print('best accuracy:%f' % gs2.best_score_)
结果:
{‘max_features’: 10}
best accuracy:0.978998
因此,选择最佳的最大特征数为10,准确率为97.90%,相比默认的最大特征数,准确率有一个非常小的提高。决策树的其他最优参数也是按照类似的步骤去搜寻,这里就不一一介绍了。
(4) 用最优参数重新训练数据,计算泛化误差:
for i in gs1.best_params_.values():
n_estimator2 = i
for i in gs2.best_params_.values():
max_feature = i
rf1 = RandomForestClassifier(n_estimators = n_estimator2, max_features = max_feature, oob_score = True, random_state = 10)
rf1.fit(X, y)
print(rf1.oob_score_)
print("accuracy: %f" % rf1.oob_score_)
泛化误差:
accuracy:0.928000
总结
随机森林模型优化主要是考虑如何选择子数据集个数(n_estimators)和最大特征个数(max_features)。
首先增大n_estimators,提高模型的拟合能力,当模型的拟合能力没有明显提升的时候,则再增大max_features,提高每个子模型的拟合能力,则相应的提高了模型的拟合能力。上面的参数调优是一种比较常用的调优方法,可以应用到其他模型的参数优化过程中。