机器学习笔记—决策树的集成算法介绍(7)—附完整代码
以下都是本人在学习机器学习过程中的一些心得和笔记,仅供参考。
文章目录
集成(
ensemble
)是合并多个机器学习模型来构建更强大模型的方法。
在机器学习文献中有许多模型都属于这一类,但已证明有两种集成模型对大量分类和回归的数据集都是有效的,二者都以决策树为基础,分别是随机森林(random forest
)和梯度提升决策树(gradient boosted decision tree
)。
1.随机森林
在上一篇文章写过,决策树的一个主要缺点在于经常对训练数据过拟合。
- 随机森林是解决这个问题的一种方法。
- 随机森林本质上是许多决策树的集合,其中每棵树都和其他树略有不同。
- 随机森林背后的思想是,每棵树的预测可能都相对较好,但可能对部分数据过拟合。
- 如果构造很多树,并且每棵树的预测都很好,但都以不同的方式过拟合,那么我们可以对这些树的结果取平均值来降低过拟合。
- 既能减少过拟合又能保持树的预测能力,这可以在数学上严格证明。
为了实现这一策略,我们需要构造许多决策树。每棵树都应该对目标值做出可以接受的预测,还应该与其他树不同。随机森林的名字来自于将随机性添加到树的构造过程中,以确保每棵树都各不相同。随机森林中树的随机化方法有两种:
- 一种是通过选择用于构造树的数据点。
- 一种是通过选择每次划分测试的特征。
1.1构造随机森林
想要构造一个随机森林模型,你需要确定用于构造的树的个数(RandomForestRegressor
或 RandomForestClassifier
的 n_estimators
参数)。
比如我们想要构造 10 棵树。这些树在构造时彼此完全独立,算法对每棵树进行不同的随机选择,以确保树和树之间是有区别的。想要构造一棵树,首先要对数据进行自助采样(·bootstrap sample)
也就是说,从 n_samples
个数据点中有放回地(即同一样本可以被多次抽取)重复随机抽取一个样本,共抽取n_samples
次。
这样会创建一个与原数据集大小相同的数据集,但有些数据点会缺失(大约三分之一),有些会重复。
举例说明,比如我们想要创建列表[‘a’, ‘b’, ‘c’, ‘d’]
的自助采样。一种可能的自主采样是 [‘b’, ‘d’, ‘d’, ‘c’]
,另一种可能的采样为[‘d’, ‘a’, ‘d’, ‘a’]
。
接下来,基于这个新创建的数据集来构造决策树。但是,要对我们在介绍决策树时描述的算法稍作修改。
在每个结点处,算法随机选择特征的一个子集,并对其中一个特征寻找最佳测试,而不是对每个结点都寻找最佳测试。
选择的特征个数由 max_features
参数来控制。每个结点中特征子集的选择是相互独立的,这样树的每个结点可以使用特征的不同子集来做出决策。
由于使用了自助采样,随机森林中构造每棵决策树的数据集都是略有不同的。
由于每个结点的特征选择,每棵树中的每次划分都是基于特征的不同子集。
这两种方法共同保证随机森林中所有树都不相同。
在这个过程中的一个关键参数是 max_features
。如果我们设置 max_features
等于n_features
,那么每次划分都要考虑数据集的所有特征,在特征选择的过程中没有添加随机性(不过自助采样依然存在随机性)。
如果设置max_features
等于 1 ,那么在划分时将无法选择对哪个特征进行测试,只能对随机选择的某个特征搜索不同的阈值。
因此,如果max_features
较大,那么随机森林中的树将会十分相似,利用最独特的特征可以轻松拟合数据。
如果 max_features
较小,那么随机森林中的树将会差异很大,为了很好地拟合数据,每棵树的深度都要很大。
想要利用随机森林进行预测,算法首先对森林中的每棵树进行预测。
- 对于回归问题,我们可以对这些结果取平均值作为最终预测
- 对于分类问题,则用到了**“软投票”**(
soft voting
)策略,也就是说,每个算法做出“软”预测,给出每个可能的输出标签的概率。对所有树的预测概率取平均值,然后将概率最大的类别作为预测结果
1.2分析决策树
下面将由 5 棵树组成的随机森林应用到前面研究过的 two_moons
数据集上:
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import mglearn
X,y = make_moons(n_samples=100, noise=0.25, random_state=3)
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)
forest = RandomForestClassifier(n_estimators=5, random_state=2)
forest.fit(X_train, y_train)
作为随机森林的一部分,树被保存在estimator_
属性中。
我们将每棵树学习到的决策边界可视化,也将他们的总预测可视化:
fig, axes = plt.subplots(2, 3, figsize=(20, 10))