随机森林
随机森林是一种集成学习算法,它通过整合多棵决策树实现分类或回归任务。随机森林包含多个决策树,并且每棵决策树都是基于不同的随机样本和随机特征进行训练的。
在随机森林中,对于分类任务,每棵决策树都会输出一个类别,并且最终分类结果由所有决策树的投票得出;对于回归任务,每棵决策树都会输出一个预测值,并且最终的预测值通常是所有决策树预测值的平均值。
随机森林原理
决策树
在理解随机森林之前,先了解决策树的概念。决策树是一种树形结构,通过一系列的判断条件对样本进行分类或预测。决策树由根节点、内部节点和叶子节点组成。内部节点表示一个特征条件,叶子节点表示最终的分类或预测结果。
随机森林算法
随机森林通过构建多个决策树,并将它们集成起来以获得更好的性能。以下是随机森林算法的基本步骤:
- 从原始数据集中随机选择一个样本子集(有放回抽样),称为bootstrap样本。
- 根据bootstrap样本构建决策树,但在构建每个节点时,只考虑部分特征的子集。
- 重复步骤1和步骤2,构建多棵决策树。
- 对于分类问题,每棵决策树根据投票原则确定最终的类别;对于回归问题,每棵决策树的输出取平均值作为最终的预测结果。
随机性
随机森林引入了两种随机性来提高模型的泛化能力:
- 随机抽样:通过bootstrap采样方法,随机选择样本子集用于训练每棵决策树,保证每棵树都有一定的差异性。
- 随机特征选择:在构建每个节点时,随机选择一部分特征进行划分。这样可以避免某些特征对整个模型的过度依赖。
预测与评估
对于分类问题,随机森林使用投票法进行预测,即每棵决策树投票选择的类别最多的作为最终的预测结果。对于回归问题,随机森林使用平均值作为最终的预测结果。
评估随机森林模型的准确性通常使用交叉验证、混淆矩阵、准确率等指标进行。
代码实现
在实现随机森林之前,我们需要准备数据集,获取数据集的特征和标签,并分割训练集和测试集。这里我们采用 scikit-learn 库的手写数字数据集进行演示。
# By Dr.Cup
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix
# 加载手写数字数据集
digits = load_digits()
# 获取特征和标签数据
X = digits.data
y = digits.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建模型 决策树数量为100
rfc = RandomForestClassifier(n_estimators=100)
# 训练随机森林模型
rfc.fit(X_train, y_train)
# 预测
y_pred = rfc.predict(X_test)
# 计算准确率和混淆矩阵
accuracy = accuracy_score(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred)
print("Accuracy:", accuracy)
# 可视化混淆矩阵
plt.matshow(cm)
plt.title('Confusion Matrix')
plt.colorbar()
plt.ylabel('True Label')
plt.xlabel('Predicted Label')
plt.savefig('./Confusin-Matrix.png')
plt.show()
在上述代码中,我们使用Scikit-learn自带的手写数字数据集来训练一个随机森林分类器。首先,我们将数据集分成训练集和测试集。然后,我们创建一个随机森林分类器模型,并使用训练数据来拟合模型。接下来,我们在测试集上进行预测,并计算模型的准确率和混淆矩阵。最后,我们将混淆矩阵可视化显示出来(如下图所示)。
总结
随机森林是一种强大的机器学习算法,可用于解决分类和回归问题。它通过构建多个决策树并将它们集成起来,以适应不同场景下的任务需求。在处理结构化数据(例如表格数据)时,随机森林等基于树的算法通常表现出较好的性能和泛化能力。随机森林能够处理高维数据集,并具有一定的鲁棒性,可以有效应对缺失值和噪声等实际问题。因此,随机森林在数据挖掘、模式识别和预测分析等领域得到了广泛应用。