一、什么是集成学习方法
集成学习通过建立几个模型组合的来解决单一预测问题。
它的工作原理是生成多个分类器/模型,各自独立地学习和作出预测。
这些预测最后结合成组合预测,因此优于任何一个单分类的做出预测。
二、什么是随机森林
在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终投票结果就是True
三、随机森林原理过程
学习算法根据下列算法而建造每棵树:
- 用N来表示训练用例(样本)的个数,M表示特征数目。
- 1 一次随机选出一个样本,重复N次, (有可能出现重复的样本)
- 2 随机去选出m个特征, m <<M,建立决策树
- 采取bootstrap抽样
四、为什么采用BootStrap抽样
- 为什么要随机抽样训练集?
- 如果不进行随机抽样,每棵树的训练集都一样,那么最终训练出的树分类结果也是完全一样的
- 为什么要有放回地抽样?
- 如果不是有放回的抽样,那么每棵树的训练样本都是不同的,都是没有交集的,这样每棵树都是“有偏的”,都是绝对“片面的”(当然这样说可能不对),也就是说每棵树训练出来都是有很大的差异的;而随机森林最后分类取决于多棵树(弱分类器)的投票表决。
五、sklearn - 随机森林 - API
- class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
- 随机森林分类器
- n_estimators:
- integer,optional(default = 10)
- 森林里的树木数量 120,200,300,500,800,1200
- criteria:
- string,可选(default =“gini”)
- 分割特征的测量方法
- max_depth:
- integer或None,可选(默认=无)
- 树的最大深度 5,8,15,25,30
- max_features="auto”,每个决策树的最大特征数量
- If “auto”, then
max_features=sqrt(n_features)
. - If “sqrt”, then
max_features=sqrt(n_features)
(same as “auto”). - If “log2”, then
max_features=log2(n_features)
. - If None, then
max_features=n_features
.
- If “auto”, then
- bootstrap:
- boolean,optional(default = True)
- 是否在构建树时使用放回抽样
- min_samples_split:
- 节点划分最少样本数
- min_samples_leaf:
- 叶子节点的最小样本数
- 超参数:
- n_estimator
- max_depth
- min_samples_split
- min_samples_leaf
六、案例 - 随机森林 - 随机森林预测tanic生存状况¶
-
完整代码
from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import GridSearchCV # 1> 实例化一个估计器 estimator=RandomForestClassifier() # 2> 网格搜索优化随机森林模型 param_dict={"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,15,25,30]} estimator=GridSearchCV(estimator,param_grid=param_dict,cv=5) # 3> 传入训练集,进行模型训练 estimator.fit(x_train,y_train) # 4> 模型评估 # 方法1,比较真实值与预测值 y_predict=estimator.predict(x_test) print("预测值为:\n",y_predict) print("比较真实值与预测值结果为:\n",y_predict==y_test) # 方法2,计算模型准确率 print("模型准确率为:\n",estimator.score(x_test,y_test)) print("在交叉验证中最的结果:\n",estimator.best_score_) print("最好的参数模型:\n",estimator.best_estimator_) print("每次交叉验证后的结果准确率为/n",estimator.cv_results_)