机器学习之random forest（随机森林）

随机森林

什么是随机森林？

在讲解随机森林之前，首先我们要了解什么叫集成学习

集成学习

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单预测，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。

小编觉得随机森林就是投票思想，少数服从多数，根据多数的判断为依据

举例

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, 那么最终结果会是True.

随机森林建立多个决策树的过程

假设，现有数据集拥有N个样本,M个特征

每颗树的建立过程：

1. 输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。
2. 从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。

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。

知识储备

随机森林API

class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’,max_depth=None, bootstrap=True, random_state=None)

• 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
• bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样
• max. features=“aub”,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_feotures’

代码演示

随机森林的超参数：

• n_es