大概意思是,从训练集中随机抽样n个,然后将这n个组建成树,树按照特征值来划分左右树,寻找最优分类的左右树,按照Gini指数的计算问题,假如将原始数据集D切割两部分,分别为D1和D2,则Gini(D|切割)=(|D1|/|D|)*Gini(D1)+(|D2|/|D|)*Gini(D2)。gini越小,数据分类越准确。
这算法没什么好讲的,比较简单。
from __future__ import print_function
from random import seed,randrange,random
#导入csv文件
def loadDataSet(filename):
dataset=[]
with open(filename,'r') as fr:
for line in fr.readlines():
if not line:
continue
lineArr=[]
for feature in line.split(','):
#strip()返回移除字符串头尾指定的字符生成的新字符串
str_f=feature.strip()
# isdigit 如果是浮点型数值,就是false,所以换成isalpha()函数
# if str_f.isdigit(): # 判断是否是数字
if str_f.isalpha():
# 添加分类标签
lineArr.append(str_f)
else:
# 将数据集的第column列换成float形式
lineArr.append(float(str_f))
dataset.append(lineArr)
return dataset
def cross_validation_split(dataset,n_folds):
'''
cross_validation_split(将数据集进行抽重抽样 n_folds 份,数据可以重复抽取,每一次list的元素是无重复的)
Args:
dataset 原始数据集
n_folds 数据集dataset分成n_flods份
Returns:
dataset_split list集合,存放的是: 将数据集进行抽重抽样 n_folds 份,数据可以重复重复抽取,每一次list的元素是无重复的
'''
dataset_split=list()
dataset_copy=list(dataset) # 复制一份dataset,防止dataset的内容改变
fold_size=len(dataset)/n_folds
for i in range(n_folds):
fold =list() # 每次循环 fold 清零,防止重复导入 dataset_split
while len(fold)<fold_size: # 这里不能用 if,if 只是在第一次判断时起作用,while 执行循环,直到条件不成立
# 有放回的随机采样,有一些样本被重复采样,从而在训练集中多次出现,有的则从未在训练集中出现,此则自助采样法。从而保证每棵决策树训练集的差异性
index=randrange(len(dataset_copy))
# 将对应索引 index 的内容从 dataset_copy 中导出,并将该内容从 dataset_copy 中删除。
# pop() 函数用于移除列表中的一个元素(默认最后一个元素),并且返回该元素的值。
# fold.append(dataset_copy.pop(index)) # 无放回的方式
fold.append(dataset_copy[index]) # 有放回的方式
dataset_split.append(fold)
# 由dataset分割出的n_folds个数据构成的列表,为了用于交叉验证
return dataset_split
# Split a dataset based on an attribute and an attribute value # 根据特征和特征值分割数据集
def test_split(index,value,dataset):
left,right=list(),list()
for row in dataset:
if row[index]<value:
left.append(row)
else:
right.append(row)
return left,right
'''
Gini指数的计算问题,假如将原始数据集D切割两部分,分别为D1和D2,则
Gini(D|切割)=(|D1|/|D|)*Gini(D1)+(|D2|/|D|)*Gini(D2)
学习地址:
http://bbs.pinggu.org/thread-5986969-1-1.html
http://www.cnblogs.com/pinard/p/6053344.html
而原文中 计算方式为:
Gini(D|切割)=Gini(D1)+Gini(D2)
# Calculate the Gini index for a split dataset
def gini_index(groups,class_values): #个人理解:计算代价,分类越准确,则gini越小
gini=0.0
for class_value in class_values: # class_values=[0,1]
for group in groups:
size =len(group)
if size==0:
continue
proportion=[row[-1] for row in group].count(class_value)/float(size) #group最后一列组成一个list,形似[ func(x) for x in l1]
gini +=(proportion*(1,0-proportion)) # 个人理解:计算代价,分类越准确,则gini越小
return gini
'''
def gini_index(groups,class_values): # 个人理解: 计算代价:分类越准确,则gini越小
gini=0.0
D=len(groups[0])+len(groups[1])
for class_value in class_values: # class_values=[0,1]
for group in groups: # groups=(left,right)
size=len(group)
if size==0:
continue
proportion=[row[-1] for row in group].count(class_value)/float(size)
gini+=float(size)/D*(proportion*(1.0-proportion)) # 个人理解:计算代价,分类越准确,则gini越小
return gini
# 找出分割数据集的最优特征,得到最优的特征 index,特征值 row[index] ,以及分割完的数据groups(left,right)
def get_split(dataset,n_features):
class_values=list(set(row[-1] for row in dataset)) # class_values=[0,1]
b_index,b_value,b_score,b_groups=999,999,999,None
features=list()
while len(features)<n_features:
index=randrange(len(dataset[0])-1) # 往 features添加 n_features个特征(n_feature 等于特征数的根号),特征索引从dataset中随机取
if index not in features:
features.append(index)
for index in features: # 在 n_features个特征(
for row in dataset:
groups=test_split(index,row[index],dataset) # groups=(left,right),row[index] 遍历每一行 index索引下的特征值作为分类值value,找出最优的分类特征和特征值
gini=gini_index(groups,class_values)
# 左右两边的数量越一样,说明数据区分度不高,gini系数越大
if gini<b_score:
b_index,b_value,b_score,b_groups=index,row[index],gini,groups # 最后得到最优的分类特征b_index,分类结果b_groups,b_value 为分错的代价成本
# print b_score
return {'index':b_index,'value':b_value,'groups':b_groups}
# Create a terminal node value # 输出group中出现次数较多的标签
def to_terminal(group):
outcomes=[row[-1] for row in group] # max() 函数中,当key参数不为空时,就以key的函数对象为判断的标准
return max(set(outcomes),key=outcomes.count) # 输出group 中出现次数较多的标签 max函数可以输入一个参数,也可以输入两个参数。如果是一个参数,这个参数必须是可迭代的,max会for i in … 遍历一遍这个迭代器函数会返回其最大值,也可以给出key参数,
#这样函数会把第一个参数的每个值依次放入key提供的比较大小的方法里(常常是一个函数)求出最大值.
# Create child splits for a node or make terminal #创建子分割器,递归分类,直到分类结束
def split(node,max_depth,min_size,n_features,depth): # max_depth=10,min_size=1,n_features=int(sqrt((len(dataset[0])-1)))
left,right=node['groups']
del(node['groups'])
# check for a no split
if not left or not right:
node['left']=node['right']=to_terminal(left+right)
return
# check for max depth
if depth>=max_depth: # max_depth=10 表示递归10次,若分类还未结束,则选取数据中分类标签较多的作为结果,使分类提前结束,防止过拟合
node['left'],node['right']=to_terminal(left),to_terminal(right)
return
# process left child
if len(left)<=min_size:
node['left']=to_terminal(left)
else:
node['left']=get_split(left,n_features) # node['left']是一个字典,形式为{'index':b_index,'value':b_value,'groups':b_groups},所以node是一个多层字典
split(node['left'],max_depth,min_size,n_features,depth+1)
#process rigjt child
if len(right)<=min_size:
node['right']=to_terminal(right)
else:
node['right']=get_split(right,n_features)
split(node['right'],max_depth,min_size,n_features,depth+1)
#Build a decision tree
def build_tree(train,max_depth,min_size,n_features):
'''
build_tree(创建一个决策树)
Args:
train 训练数据集
max_depth 决策树深度不能太深,不然容易导致过拟合
min_size 叶子节点的大小
n_features 选取的特征的个数
Returns:
root 返回决策树
'''
# 返回最优列和相关的信息
root=get_split(train,n_features)
# 对左右2边的数据 进行递归调用,由于最优特征使用过,所以在后面进行使用的时候,就没有意义了
# 例如: 性别-男女,对男使用这一特征就没有任何意义了
split(root,max_depth,min_size,n_features,1)
return root
# make a prediction with a decision with a decision tree
def predict(node,row): # 预测模型分类结果
if row[node['index']]<node['value']:
if isinstance(node['left'],dict):# isinstance 是python中一个内建函数,是用来判断一个对象是否是一个已知的类型
return predict(node['left'],row)
else:
return node['left']
else:
if isinstance(node['right'],dict):
return predict(node['right'],row)
else:
return node['right']
# make a prediction with a list of bagged trees
def bagging_predict(trees,row):
'''
bagging_predict(bagging预测)
Args:
trees 决策树的集合
row 测试数据集的每一行数据
Returns:
返回随机森林中,决策树结果出现次数做大的
'''
predictions=[predict(tree,row) for tree in trees]
return max(set(predictions),key=predictions.count)
# Create a random subsample from the dataset with replacement
def subsample(dataset,ratio): # 创建数据集的随机子样本
'''
random_forest(评估算法性能,返回模型得分)
Args:
dataset 训练数据集
ratio 训练数据集的样本比例
Returns:
sample 随机抽样的训练样本
'''
sample=list()
# 训练样本的按比例抽样
# round() 方法返回浮点数x的四舍五入值
n_sample=round(len(dataset)*ratio)
while len(sample)<n_sample:
# 有放回的随机采样,有一些样本被重复采样,从而在训练集中多次出现,有的则从未在训练集中出现,此则自助采样法。从而保证每颗决策树训练集的差异性
index=randrange(len(dataset))
sample.append(dataset[index])
return sample
# Random_forest Algorithm
def randon_forest(train,test,max_depth,min_size,sample_size,n_trees,n_features):
'''
random_forest(评估算法性能,返回模型得分)
Args:
train 训练数据集
test 测试数据集
max_depth 决策树深度不能太深,不然容易导致过拟合
min_size 叶子节点的大小
sample_size 训练数据集的样本比例
n_trees 决策树的个数
n_features 选取的特征的个数
Returns:
predictions 每一行的预测结果,bagging 预测最后的分类结果
'''
trees=list()
# n_trees 表示决策树的数量
for i in range(n_trees):
#随机抽样的训练样本,随机采样保证了每颗决策树训练集的差异性
sample=subsample(train,sample_size)
#创建一个决策树
tree=build_tree(sample,max_depth,min_size,n_features)
trees.append(tree)
#每一行的预测结果,bagging 预测最后的分类结果
predictions=[bagging_predict(trees,row) for row in test]
return predictions
# Calculate accuracy percentage
def accuracy_metric(actual,predicted): # 导入实际值和预测值,计算精确度
correct=0
for i in range(len(actual)):
if actual[i]==predicted[i]:
correct+=1
return correct/float(len(actual))*100.0
#评估算法性能,返回模型得分
def evalute_algorithm(dataset,algorithm,n_folds,*args):
'''
evalute_algorithm(评估算法性能,返回模型得分)
Args:
dataset 原始数据集
algorithm 使用的算法
n_folds 数据的份数
*args 其他的参数
Returns:
scores 模型得分
'''
#将数据集进行抽重抽样 n_folds 份,数据可以重复抽取,每一次list的元素是无重复的
folds=cross_validation_split(dataset,n_folds)
scores=list()
# 每次循环从folds中取出一个fold作为测试集,其余作为训练集,遍历整个folds,实现交叉验证
for fold in folds:
train_set=list(folds)
train_set.remove(fold)
# 将多个 fold 列表组合成一个 train_set 列表, 类似 union all
"""
In [20]: l1=[[1, 2, 'a'], [11, 22, 'b']]
In [21]: l2=[[3, 4, 'c'], [33, 44, 'd']]
In [22]: l=[]
In [23]: l.append(l1)
In [24]: l.append(l2)
In [25]: l
Out[25]: [[[1, 2, 'a'], [11, 22, 'b']], [[3, 4, 'c'], [33, 44, 'd']]]
In [26]: sum(l, [])
Out[26]: [[1, 2, 'a'], [11, 22, 'b'], [3, 4, 'c'], [33, 44, 'd']]
"""
train_set=sum(train_set,[])
test_set=list()
#fold 表示从原始数据集dataset提取出来的测试集
for row in fold:
row_copy=list(row)
row_copy[-1]=None
test_set.append(row_copy)
predicted=algorithm(train_set,test_set,*args) # 调用算法
actual=[row[-1] for row in fold]
# 计算随机森林的预测结果的正确率
accuracy=accuracy_metric(actual,predicted)
scores.append(accuracy)
return scores
# 加载数据
dataset=loadDataSet('data/7.RandomForest/sonar-all-data.txt')
# print dataset
n_folds=5 # 分成5份数据,进行交叉验证
max_depth=20 # 调参(自己修改) #决策树深度不能太深,不然容易导致过拟合
min_size=1 # 决策树的叶子节点最少的元素数量
sample_size=1.0 #做决策树时候的样本的比例
# n_features=int((len(dataset[0])-1))
n_features=15 #调参(自己修改) # 准确性与多样性之间的权衡
for n_trees in [1,10,20,30,40,50]: # 理论上树是越多越好
scores=evalute_algorithm(dataset,randon_forest,n_folds,max_depth,min_size,sample_size,n_trees,n_features)
#每一次执行本文件时都能产生同一个随机数
seed(1) # 使随机数相同
print('random=',random())
print('Trees:%d'% n_trees)
print('Scores:%s'%scores)
print('Mean Accuracy: %.3f%%'%(sum(scores)/float(len(scores))))