关于随机森林的一些理解

随机森林简介

随机森林是一种只关注决策树的集成学习方法，由Leo Breiman和 Adele Cutler提出，它将bagging和随机选择特征结合起来，在树的集成产生之后，对分类问题使用投票的方法来产生预测结果，对回归问题使用算数平均的方法来生成结果。

优缺点

优点

• 由于弱学习器之间没有关联，可以并行进行训练，训练速度快
• 由于随机选择特征，可以避免大数据中的维度灾难
• 由于bagging和随机选择特征模型泛化能力强
• 训练后，可以给出特征重要性
• 相对boosting方法，弱学习器之间存在关联，模型更为简单,需要调的的参数也少
• 可以不用划分训练集和测试集，oob_score就是对测试集合错误的一个无偏估计。

缺点

• 相对于决策树不好解释
• 可能需要费功夫使得模型符合数据

sklearn中随机森林参数

https://www.cnblogs.com/pinard/p/6160412.html

简单实现

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV,cross_val_score,train_test_split
from sklearn import  metrics
import matplotlib.pylab as plt
from sklearn.tree import DecisionTreeClassifier

df = pd.read_csv('D:/data/HR_comma_sep.csv',index_col=None)
print(df.shape)  
#读入员工离职数据
# (14999, 10)
df.head()
df['left'].value_counts()

df.dtypes
# satisfaction_level       float64
# last_evaluation          float64
# number_project             int64
# average_montly_hours       int64
# time_spend_company         int64
# Work_accident              int64
# left                       int64
# promotion_last_5years      int64
# sales                     object 分类变量
# salary                    object 分类变量
# dtype: object

#查看是否存在缺失值
df.isnull().sum()
# satisfaction_level       0
# last_evaluation          0
# number_project           0
# average_montly_hours     0
# time_spend_company       0
# Work_accident            0
# left                     0
# promotion_last_5years    0
# sales                    0
# salary                   0
# dtype: int64

#将string类型转化为类别变量
df.sales = df.sales.astype('category').cat.codes
df.salary = df.salary.astype('category').cat.codes

# 产生x，y 即特征值与目标值
target_name = 'left'
X = df.drop('left',axis=1)
y = df['left']
##将数据分为训练集和测试集
#注意参数stratify=y 就是按照y中的比例分配 
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=123,stratify=y)

rf = RandomForestClassifier(n_estimators=10,oob_score = True,random_state=123)
rf.fit(X_train,y_train)
rf_roc_auc = metrics.roc_auc_score(y_test,rf.predict(X_test))
print('随机森林 AUC = %.2f'% rf_roc_auc)
print('随机森林 OOB = %.2f'% rf.oob_score) # out_of_bag 
print(metrics.classification_report(y_test,rf.predict(X_test)))

# 随机森林 AUC = 0.98
# 随机森林 OOB = 1.00
#               precision    recall  f1-score   support

#            0       0.99      1.00      0.99      3429
#            1       0.99      0.96      0.98      1071

#    micro avg       0.99      0.99      0.99      4500
#    macro avg       0.99      0.98      0.98      4500
# weighted avg       0.99      0.99      0.99      4500

#获取特征重要性
importances = rf.feature_importances_
#获取特征名称
feat_name = df.drop('left',axis=1).columns
#排序
indices = np.argsort(importances)[::-1]
#绘图
plt.figure(figsize=(12,6))
plt.title('Feature importance by decision tree')
plt.bar(range(len(indices)),importances[indices],color='lightblue',align='center')
plt.step(range(len(indices)),np.cumsum(importances[indices]),where='mid',label='cumulative')
plt.xticks(range(len(indices)),feat_name[indices],rotation='vertical',fontsize=14)
plt.xlim([-1,len(indices)])
plt.show()

更多关于特征重要性见http://blog.datadive.net/selecting-good-features-part-iii-random-forests/

小节

由于上面模型效果已经很好了，这里就不再进行调参了。如果需要进行调参的话，有如下参数可以进行调参

oob_score #即是否采用袋外样本来评估模型的好坏。默认识False。个人推荐设置为True，因为袋外分数反应了一个模型拟合后的泛化能力。
n_estimators # 弱学习器个数
max_features #划分时考虑的最大特征数
max_depth   # 树深
min_samples_split # 内部节点再划分所需最小样本数[2]
min_samples_leaf #  叶子节点最少样本数min_samples_leaf

[1] https://www.cnblogs.com/pinard/p/6160412.html
[2] http://blog.datadive.net/selecting-good-features-part-iii-random-forests/