分类算法——集成学习方法之随机森林（六）

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。

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：如果训练了5个树，其中有4个树的结果是True，1个数的结果是Fals，那么最终投 票结果就是True。

随机森林原理过程

两个随机：训练集随机+特征随机（bootstrap 随机有放回抽样）
训练集随机——N个样本中随机有放回的抽样N个
特征随机——从M个特征中随机抽取m个特征（M >> m，起到降维的效果）

1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

2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。

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：nteger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
    • lf “auto”，then max_features=sqrt(n_features)
    • If “sqrt”，then max_features=sqrt(n_features) (same as “auto”)
    • lf “log2”，then max_features=log2(n_features)
    • If None，then max_features=n_features
  • 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

总结

• 在当前所有算法中，具有极好的准确率
• 能够有效地运行在大数据集上，处理具有高维特征的输入样本，而且不需要降维
• 能够评估各个特征在分类问题上的重要性