Python——随机森林

 

 

1. 随机森林讲解文档（scikit-learn官方文档）

 

        scikit-learn的官方文档：http://scikit-learn.org/stable/modules/ensemble.html#forests-of-randomized-trees　　

       主要告诉大家如何使用scikit-learn包中的类方法来进行随机森林算法的预测。其中讲的比较好的是各个参数的具体用途。

这里我给出我的理解和部分翻译：

 

（1）Sklearn ensemble模块包含了两个基于随机决策树的平均算法：随机森林算法和extr随机树

  这两个算法都是特指用来扰乱和合并树结构的设计。这意味着创建一个多样化的分类器，即在分类器结构方面引入随机性。集成方法的预测结果由所有的单个分类器的预测值的平均值决定。

  与其他分类器相比，树分类器需要有两个数组：

一个密度稀疏矩阵X：【n_samples，n_features】保存着训练样本

一个Y：【n_samples】保存着与训练样本对应的标签值

  像决策树，森林数会拓展到多输出问题（Y=【n_samples， n_outputs】）

（2）在随机森林中，集成器中每棵树都是通过对训练集又放回的抽取进行建立的。另外，在构建数的结构的过程中分离出来的节点，该被选节点不是所有特种中最好的分裂特征。而是当前子训练集所有特征中的最好分裂节点。最为这种随机性的结构，bias是会有稍微的增加的（相较与单个非随机树），但是基于平均计算，方差是在减小的，而且减小的代价是优于bias增长带来的损失的。因此，构建了一个整体较好的模型。（3）参数说明：
最主要的两个参数是n_estimators和max_features。
n_estimators：表示森林里树的个数。理论上是越大越好。但是伴随着就是计算时间的增长。但是并不是取得越大就会越好，预测效果最好的将会出现在合理的树个数。
max_features：随机选择特征集合的子集合，并用来分割节点。子集合的个数越少，方差就会减少的越快，但同时偏差就会增加的越快。根据较好的实践经验。如果是回归问题则：
max_features＝n_features，如果是分类问题则max_features＝sqrt(n_features)。

如果想获取较好的结果，必须将max_depth＝None,同时min_sample_split=1。

同时还要记得进行cross_validated（交叉验证），除此之外记得在random forest中，bootstrap=True。但在extra-trees中，bootstrap=False。

 

2.一些文档

这里也给出一篇老外写的文章：调整你的随机森林模型参数http://www.analyticsvidhya.com/blog/2015/06/tuning-random-forest-model/　

 

随机森林入门—简化版http://www.analyticsvidhya.com/blog/2014/06/introduction-random-forest-simplified/　　

重点讲解来随机森林的构造过程，并举了墨西哥的人均收入的问题来进行随机森林概念的讲解。

 

3.这里我使用了scikit-learn自带的iris数据来进行随机森林的预测：(借用别人的例子，自己实现学习了一下)

from sklearn.tree import DecisionTreeRegressor  
from sklearn.ensemble import RandomForestRegressor  
import numpy as np  
   
from sklearn.datasets import load_iris  
iris=load_iris()  
#print iris#iris的４个属性是：萼片宽度　萼片长度　花瓣宽度　花瓣长度　标签是花的种类：setosa versicolour virginica  
print iris['target'].shape  
rf=RandomForestRegressor()#这里使用了默认的参数设置  
rf.fit(iris.data[:150],iris.target[:150])#进行模型的训练  
#    
#随机挑选两个预测不相同的样本  
instance=iris.data[[100,109]]  
print instance  
print 'instance 0 prediction；',rf.predict(instance[0])  
print 'instance 1 prediction；',rf.predict(instance[1])  
print iris.target[100],iris.target[109]  

 

上述代码中：

iris.target中一共有三个类别：0，1，2

iris.data数据图如下所示，一共有四个特征，150个样本

 

 

 

最后测试数据如下图两个样本：

 

最后返回结果如下：

(150,)
[[ 6.3  3.3  6.   2.5]
 [ 7.2  3.6  6.1  2.5]]

('instance 0 prediction\xef\xbc\x9b', array([ 2.]))

('instance 1 prediction\xef\xbc\x9b', array([ 2.]))
(2, 2)

 

最后结果都是类别2.

4.看到别的博客中的显示重要性，觉得还不错，实习了一下

原文如下：

在这里我有点困惑，就是在scikit-learn算法包中随机森林实际上就是一颗颗决策树组成的。但是之前我写的决策树博客中是可以将决策树给显示出来。但是随机森林却做了黑盒处理。我们不知道内部的决策树结构，甚至连父节点的选择特征都不知道是谁。所以我给出下面的代码（这代码不是我的原创），可以显示的显示出所有的特征的贡献。所以对于贡献不大的，甚至是负贡献的我们可以考虑删除这一列的特征值，避免做无用的分类。

 

from sklearn.cross_validation import cross_val_score, ShuffleSplit
X = iris["data"]
Y = iris["target"]
names = iris["feature_names"]
rf = RandomForestRegressor()
scores = []  #对每一个特征值进行打分，表示重要程度
a = X.shape[1]
for i in range(X.shape[1]):
     score = cross_val_score(rf, X[:, i:i+1], Y, scoring="r2",
                              cv=ShuffleSplit(len(X), 3, .3))
     scores.append((round(np.mean(score), 3), names[i]))
print sorted(scores, reverse=True)

 

note：python中shape方法用法： 矩阵.shape[0]:返回矩阵行数；

                                                     矩阵.shape[1]:返回矩阵列数；

 

最后返回结果：

[(0.92, 'petal length (cm)'), (0.915, 'petal width (cm)'), (0.576, 'sepal length (cm)'), (-0.009, 'sepal width (cm)')]

这里我们会发现petal width、petal length这两个特征将起到绝对的贡献，之后是sepal length，影响最小的是sepal width。这段代码将会提示我们各个特征的贡献，可以让我们知道部分内部的结构。