目录
Sklearn RandomForest算法(有监督学习),可以根据输入数据,选择最佳特征,减少特征冗余;同理,可以通过特征的排列组合,选择最优的组合特征,优化下游算法性能
原理:由于随机决策树生成过程采用的Boostrap,所以在一棵树的生成过程并不会使用所有的样本,未使用的样本就叫(out_of_bag)oob袋外样本。通过袋外样本,可以评估这个树的准确度;此外,其他子树按这个原理评估。最后,取平均值即是随机森林算法的性能。
特征选择原理:因为袋外样本的存在,因此不需要进行十字交叉测试(节省时间),通过依次对每个特征赋予一个随机数,观察算法性能的变化,倘若变化大,则说明该特征重要,sklearn中会对每个特征赋予一个分数,分数越大,特征越重要,因此,可以根据特征重要性排序,然后选择最佳特征组合。
在学习随机森林算法参数解释以及参数择优的过程中,注意到oob_score这一参数对应是否采用袋外样本来评估模型的好坏。
1. oob
袋外样本oob (Out of bag):在随机森林中,n个训练样本会通过bootstrap (有放回的随机抽样) 的抽样方式进行T次抽样每次抽样产生样本数为n的采样集,进入到并行的T个决策树中。
有放回的抽样方式会导致有部分训练集中的样本(约36.8%)未进入决策树的采样集中,而这部分未被采集的的样本就是袋外数据oob。袋外数据就可以用来检测模型的泛化能力,和交叉验证类似。
2. oob_score
对于单棵用采样集训练完成的决策树Ti,用袋外数据运行后会产生一个oob_score (返回的是R square来判断),对每一棵决策树都重复上述操作,最终会得到T个oob_score,把这T和oob_score平均,最终得到的就是整个随机森林的oob_score(即决定系数)。
3. oob选择重要特征
用oob样本在训练好的决策树T1上运行,可以得到袋外数据误差 e1,然后保持其他列不变, permutate(随机重排/洗牌)第 i 列特征的特征值或者加噪音在 oob中第 i 列特征的特征值上,得到袋外数据误差 ei2。
计算特征X的重要性=∑(ei2-e1)/T。改变特征值之后ei2变动越大,说明该特征产生的影响越大,该特征值越重要。
通过利用oob对每个特征分别permutation或加噪音,迭代进行,评估改变每个特征后的∑(ei2-e1)/T,然后做一个排序,值越高的特征越重要。
(OOB Error is the number of wrongly classifying the OOB Sample.)
sklearn.ensemble 里的RandomForestClassifier有选择重要特征的功能,其采用的是impurity-based(用基尼系数或者信息增益)来判断特征重要性。并不等同于OOB,OOB方法确实要一个个特征换随机数,一个个决策树迭代。
示例:
"""
Created on Mon Mar 19 20:22:09 2018
@author: test
function: iteritor for features combintaion
date:2018/3/19
"""
import copy
import sys
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
data = pd.read_csv(r"C:\Users\huzhipeng_sx\Desktop\data",header = None,sep = '\t')
y_train = data[0].values
X_train = data.drop(0,axis=1).values
X_train = pd.DataFrame(np.delete(X_train,-5,axis=1))
features_name = ['a','b','c']
rf = RandomForestClassifier(n_estimators=200,oob_score=True)
rf.fit(X_train,y_train)
features_imp = rf.feature_importances_
X_train = X_train.as_matrix() #输入要是数组,不然无法切片,报错slice
def select_combine(X_train,y_train,features_name,features_imp,select_num):
oob_result = []
fea_result = []
features_imp = list(features_imp)
iter_count = X_train.shape[1] - select_num #迭代次数
if iter_count < 0:
print("select_nume must less or equal X_train columns")
else:
features_test = copy.deepcopy(features_imp) #生成一个排序特征,进行筛选
features_test.sort()
features_test.reverse()
while iter_count >= 0:
iter_count -= 1
train_index = [features_imp.index(j) for j in features_test[:select_num]]
train_feature_name = [features_name[k] for k in train_index][0]
train_data = X_train[:,train_index]
rf.fit(train_data,y_train)
acc = rf.oob_score_
print(acc)
oob_result.append(acc)
fea_result.append(train_index)
if select_num < X_train.shape[1]:
select_num += 1
else:
break
return max(oob_result),oob_result,fea_result[oob_result.index(max(oob_result))]
select_num = 20
max_result, oob_result, fea_result = select_combine(X_train,y_train,features_name,features_imp,select_num)
4.与其它方法对比
随机森林算法特征维度,不同于PCA,随机森林算法能够考虑到特征对类别的影响,而PCA是单纯的数据方差;但是随机森林的缺点是需要迭代计算,如果在大数据条件下,进行选择,就难免有点捉襟见肘了;与LDA区别在于:LDA根据标签,通过变换将同标签数据距离缩小,将累间距离方法;LDA是一种有监督方法,PCA属于无监督方法;
转载文章连接: