机器学习：随机森林（集成学习方法）

集成学习方法-随机森林

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单预测，因此优于任何一个单分类的做出预测。

随机森林：

定义：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。

随机森林建立多个决策树过程：

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。
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。
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。

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

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。

随机森林API：

class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’,
max_depth=None, bootstrap=True, random_state=None)
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”,每个决策树最大特征值数量
bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样

随机森林超参数：

n_estimator 决策树的数量
max_depth 每棵树的深度限制

例子：

import pandas  as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
def decision():
    """决策树对泰坦尼克号预测生死"""
    #获取数据
    titan=pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")

    #处理数据，找特征值和目标值
    x=titan[['pclass','age','sex']]
    y=titan['survived']
    print(x)
    #缺失值处理
    x['age'].fillna(x['age'].mean(),inplace=True)
    #分割数据
    x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25)

    #进行特征工程 当特征是类别时用one-hot 编码
    dict=DictVectorizer(sparse=False)

    x_train=dict.fit_transform(x_train.to_dict(orient="records"))
    print(dict.get_feature_names())

    x_test=dict.transform(x_test.to_dict(orient="records"))
    print(x_train)

    #用随机森林进行预测   超参数调优
    rf=RandomForestClassifier()
    param={"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,15,25,30]}

    #网格搜索与交叉验证

    gc=GridSearchCV(rf,param_grid=param,cv=2)

    gc.fit(x_train,y_train)
    print("准确率：",gc.score(x_test,y_test))

    print("查看选择的参数模型：",gc.best_params_)



    return None
if __name__ == '__main__':
    decision()

随机森林优点

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

能够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

对于缺省值问题也能够获得很好得结果