随机森林 random forest
概述:随机森林是指多棵树对样本进行训练并且预测的一种分类器,决策树相当于大师,通过自己在数据集中学习到的只是用于新数据的分类,三个臭皮匠,顶个诸葛亮
原理:
-
数据的随机化:使得随机森林中的决策树更普遍化一点,适合更多的场景。
(有放回的准确率在:70% 以上, 无放回的准确率在:60% 以上)
- 采取有放回的抽样方式 构造子数据集,保证不同子集之间的数量级一样(不同子集/同一子集 之间的元素可以重复)
- 利用子数据集来构建子决策树,将这个数据放到每个子决策树中,每个子决策树输出一个结果。
- 然后统计子决策树的投票结果,得到最终的分类 就是 随机森林的输出结果。
- 如下图,假设随机森林中有3棵子决策树,2棵子树的分类结果是A类,1棵子树的分类结果是B类,那么随机森林的分类结果就是A类
-
待选择特征的随机化:
- 子树从所有的待选特征中随机选取一定的特征。
- 在选取的特征中选取最优的特征。
下图中,蓝色的方块代表所有可以被选择的特征,也就是目前的待选特征;黄色的方块是分裂特征。
左边是一棵决策树的特征选取过程,通过在待选特征中选取最优的分裂特征(别忘了前文提到的ID3算法,C4.5算法,CART算法等等),完成分裂。右边是一个随机森林中的子树的特征选取过程。
随机森林中的决策树彼此不同,提升系统的多样性,提升分类性能
开发:
收集数据:任何方法
准备数据:转换样本集
分析数据:任何方法
训练算法:通过数据随机化和特征随机化,进行多实例的分类评估
测试算法:计算错误率
使用算法:输入样本数据,然后运行 随机森林 算法判断输入数据分类属于哪个分类,最后对计算出的分类执行后续处理
-
优缺点:
优点:几乎不需要输入准备、可实现隐式特征选择、训练速度非常快、其他模型很难超越、很难建立一个糟糕的随机森林模型、大量优秀、免费以及开源的实现。 缺点:劣势在于模型大小、是个很难去解释的黑盒子。 适用数据范围:数值型和标称型
-
导入样本集:
def loadDataSet(filename:str): dataset = [] with open(filename,'r') as f: for line in f.readlines(): if not line: continue lineArr = [] # le = len(line.split(',')) for featrue in line.split(','): #strip()返回左右去除空格 str_f = featrue.strip() # if str_f.isdigit():# 判断是否可以转化为数字 # # 将这一行数据的某一列可以转化为数字的转化为float # lineArr.append(float(str_f)) # else: # #添加label # lineArr.append(str_f) try: lineArr.append(float(str_f)) except: lineArr.append(str_f) dataset.append(lineArr) return dataset
-
交叉验证,将样本集合划分成几个集合
#交叉验证,给数据集合划分不是给数据划分 def cross_validation_split(dataset, n_folds): """cross_validation_split(将数据集进行抽重抽样 n_folds 份,数据可以重复重复抽取,每一次list的元素是无重复的) Args: dataset 原始数据集 n_folds 数据集dataset分成n_flods份 Returns: dataset_split list集合,存放的是:将数据集进行抽重抽样 n_folds 份,数据可以重复重复抽取,每一次list的元素是无重复的 """ dataset_split = list() dataset_copy = list(dataset) # 复制一份 dataset,防止 dataset 的内容改变 fold_size = len(dataset) / n_folds for i in range(n_folds): fold = list() # 每次循环 fold 清零,防止重复导入 dataset_split while len(fold) < fold_size: # 这里不能用 if,if 只是在第一次判断时起作用,while 执行循环,直到条件不成立 # 有放回的随机采样,有一些样本被重复采样,从而在训练集中多次出现,有的则从未在训练集中出现,此则自助采样法。从而保证每棵决策树训练集的差异性 index = randrange(len(dataset_copy)) # 将对应索引 index 的内容从 dataset_copy 中导出,并将该内容从 dataset_copy 中删除。 # pop() 函数用于移除列表中的一个元素(默认最后一个元素),并且返回该元素的值。 # fold.append(dataset_copy.pop(index)) # 无放回的方式 fold.append(dataset_copy[index]) # 有放回的方式 dataset_split.append(fold) # 由dataset分割出的n_folds个数据构成的列表,为了用于交叉验证 return dataset_split
-
通过指定值进行分割数据,可以理解为树的两个孩子节点
# Split a dataset based on an attribute and an attribute value # 根据特征和特征值分割数据集 def test_split(index, value, dataset): left, right = list(), list() for row in dataset: if float(row[index]) < float(value): left.append(row) else: right.append(row) return left, right
-
基尼不纯系数的计算
# Calculate the Gini index for a split dataset def gini_index(groups, class_values): # 个人理解:计算代价,分类越准确,则 gini 越小 gini = 0.0 for class_value in class_values: # class_values = [0, 1]就是label的值 for group in groups: # groups = (left, right) size = len(group) if size == 0: continue proportion = [row[-1] for row in group].count(class_value) / float(size) gini += (proportion * (1.0 - proportion)) # 个人理解:计算代价,分类越准确,则 gini 越小 return gini
-
分割数据的最优特征
# 找出分割数据集的最优特征,得到最优的特征 index,特征值 row[index],以及分割完的数据 groups(left, right) def get_split(dataset, n_features): class_values = list(set(row[-1] for row in dataset)) # class_values =[0, 1] b_index, b_value, b_score, b_groups = 999, 999, 999, None features = list() while len(features) < n_features: index = randrange(len(dataset[0])-1) # 往 features 添加 n_features 个特征( n_feature 等于特征数的根号),特征索引从 dataset 中随机取 if index not in features: features.append(index) for index in features: # 在 n_features 个特征中选出最优的特征索引,并没有遍历所有特征,从而保证了每课决策树的差异性 for row in dataset: groups = test_split(index, row[index], dataset) # groups=(left, right), row[index] 遍历每一行 index 索引下的特征值作为分类值 value, 找出最优的分类特征和特征值 gini = gini_index(groups, class_values) # 左右两边的数量越一样,说明数据区分度不高,gini系数越大 if gini < b_score: b_index, b_value, b_score, b_groups = index, row[index], gini, groups # 最后得到最优的分类特征 b_index,分类特征值 b_value,分类结果 b_groups。b_value 为分错的代价成本 # print(b_score) return {'index': b_index, 'value': b_value, 'groups': b_groups}
-
统计结果中最好的特征
# Create a terminal node value # 输出group中出现次数较多的标签 def to_terminal(group): outcomes = [row[-1] for row in group] # max() 函数中,当 key 参数不为空时,就以 key 的函数对象为判断的标准 return max(set(outcomes), key=outcomes.count) # 输出 group 中出现次数较多的标签
-
创建一个决策树
# Create child splits for a node or make terminal # 创建子分割器,递归分类,直到分类结束 def split(node, max_depth, min_size, n_features, depth): # max_depth = 10, min_size = 1, n_features = int(sqrt((dataset[0])-1)) left, right = node['groups'] del(node['groups']) # check for a no split if not left or not right: node['left'] = node['right'] = to_terminal(left + right) return # check for max depth if depth >= max_depth: # max_depth=10 表示递归十次,若分类还未结束,则选取数据中分类标签较多的作为结果,使分类提前结束,防止过拟合 node['left'], node['right'] = to_terminal(left), to_terminal(right) return # process left child if len(left) <= min_size: node['left'] = to_terminal(left) else: node['left'] = get_split(left, n_features) # node['left']是一个字典,形式为{'index':b_index, 'value':b_value, 'groups':b_groups},所以node是一个多层字典 split(node['left'], max_depth, min_size, n_features, depth+1) # 递归,depth+1计算递归层数 # process right child if len(right) <= min_size: node['right'] = to_terminal(right) else: node['right'] = get_split(right, n_features) split(node['right'], max_depth, min_size, n_features, depth+1) # Build a decision tree def build_tree(train, max_depth, min_size, n_features): """build_tree(创建一个决策树) Args: train 训练数据集 max_depth 决策树深度不能太深,不然容易导致过拟合 min_size 叶子节点的大小 n_features 选取的特征的个数 Returns: root 返回决策树 """ # 返回最优列和相关的信息 root = get_split(train, n_features) # 对左右2边的数据 进行递归的调用,由于最优特征使用过,所以在后面进行使用的时候,就没有意义了 # 例如: 性别-男女,对男使用这一特征就没任何意义了 split(root, max_depth, min_size, n_features, 1) return root
-
通过决策树来进行预测
# Make a prediction with a decision tree def predict(node, row): # 预测模型分类结果 if float(row[node['index']]) < float(node['value']): if isinstance(node['left'], dict): # isinstance 是 Python 中的一个内建函数。是用来判断一个对象是否是一个已知的类型。 return predict(node['left'], row) else: return node['left'] else: if isinstance(node['right'], dict): return predict(node['right'], row) else: return node['right']
-
随机森林预测
# Make a prediction with a list of bagged trees def bagging_predict(trees, row): """bagging_predict(bagging预测) Args: trees 决策树的集合 row 测试数据集的每一行数据 Returns: 返回随机森林中,决策树结果出现次数做大的 """ # 使用多个决策树trees对测试集test的第row行进行预测,再使用简单投票法判断出该行所属分类 predictions = [predict(tree, row) for tree in trees] return max(set(predictions), key=predictions.count)
-
数据随机样本
# 创建数据集合中的随机子样本 # Create a random subsample from the dataset with replacement def subsample(dataset, ratio): # 创建数据集的随机子样本 """random_forest(评估算法性能,返回模型得分) Args: dataset 训练数据集 ratio 训练数据集的样本比例 Returns: sample 随机抽样的训练样本 """ sample = list() # 训练样本的按比例抽样。 # round() 方法返回浮点数x的四舍五入值。 n_sample = round(len(dataset) * ratio) while len(sample) < n_sample: # 有放回的随机采样,有一些样本被重复采样,从而在训练集中多次出现,有的则从未在训练集中出现,此则自助采样法。从而保证每棵决策树训练集的差异性 index = randrange(len(dataset)) sample.append(dataset[index]) return sample
-
随机森林预测算法,对所有测试集合
# Random Forest Algorithm def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features): """random_forest(评估算法性能,返回模型得分) Args: train 训练数据集 test 测试数据集 max_depth 决策树深度不能太深,不然容易导致过拟合 min_size 叶子节点的大小 sample_size 训练数据集的样本比例 n_trees 决策树的个数 n_features 选取的特征的个数 Returns: predictions 每一行的预测结果,bagging 预测最后的分类结果 """ trees = list() # n_trees 表示决策树的数量 for i in range(n_trees): # 随机抽样的训练样本, 随机采样保证了每棵决策树训练集的差异性 sample = subsample(train, sample_size) # 创建一个决策树 tree = build_tree(sample, max_depth, min_size, n_features) trees.append(tree) # 每一行的预测结果,bagging 预测最后的分类结果 predictions = [bagging_predict(trees, row) for row in test] return predictions
-
通过预测值和真实值求出准确率
# Calculate accuracy percentage def accuracy_metric(actual, predicted): # 导入实际值和预测值,计算精确度 correct = 0 for i in range(len(actual)): if actual[i] == predicted[i]: correct += 1 return correct / float(len(actual)) * 100.0
-
rerank函数:对一系列交叉验证的结果
# 评估算法性能,返回模型得分 def evaluate_algorithm(dataset, algorithm, n_folds, *args): """evaluate_algorithm(评估算法性能,返回模型得分) Args: dataset 原始数据集 algorithm 使用的算法 n_folds 数据的份数 *args 其他的参数 Returns: scores 模型得分 """ # 将数据集进行抽重抽样 n_folds 份,数据可以重复重复抽取,每一次 list 的元素是无重复的 folds = cross_validation_split(dataset, n_folds) scores = list() # 每次循环从 folds 从取出一个 fold 作为测试集,其余作为训练集,遍历整个 folds ,实现交叉验证 for fold in folds: train_set = list(folds) train_set.remove(fold) # 将多个 fold 列表组合成一个 train_set 列表, 类似 union all """ In [20]: l1=[[1, 2, 'a'], [11, 22, 'b']] In [21]: l2=[[3, 4, 'c'], [33, 44, 'd']] In [22]: l=[] In [23]: l.append(l1) In [24]: l.append(l2) In [25]: l Out[25]: [[[1, 2, 'a'], [11, 22, 'b']], [[3, 4, 'c'], [33, 44, 'd']]] In [26]: sum(l, []) Out[26]: [[1, 2, 'a'], [11, 22, 'b'], [3, 4, 'c'], [33, 44, 'd']] """ train_set = sum(train_set, []) test_set = list() # fold 表示从原始数据集 dataset 提取出来的测试集 for row in fold: row_copy = list(row) row_copy[-1] = None test_set.append(row_copy) predicted = algorithm(train_set, test_set, *args) actual = [row[-1] for row in fold] # 计算随机森林的预测结果的正确率 accuracy = accuracy_metric(actual, predicted) scores.append(accuracy) return scores
-
总体代码
# 随机森林 randomforest # 收集数据:提供的文本文件 # 准备数据:转换样本集 # 分析数据:手工检查数据 # 训练算法:在数据上,利用 random_forest() 函数进行优化评估,返回模型的综合分类结果 # 测试算法:在采用自定义 n_folds 份随机重抽样 进行测试评估,得出综合的预测评分 # 使用算法:若你感兴趣可以构建完整的应用程序,从案例进行封装,也可以参考我们的代码 from random import seed,randrange,random def loadDataSet(filename:str): dataset = [] with open(filename,'r') as f: for line in f.readlines(): if not line: continue lineArr = [] # le = len(line.split(',')) for featrue in line.split(','): #strip()返回左右去除空格 str_f = featrue.strip() # if str_f.isdigit():# 判断是否可以转化为数字 # # 将这一行数据的某一列可以转化为数字的转化为float # lineArr.append(float(str_f)) # else: # #添加label # lineArr.append(str_f) try: lineArr.append(float(str_f)) except: lineArr.append(str_f) dataset.append(lineArr) return dataset #交叉验证,给数据集合划分不是给数据划分 def cross_validation_split(dataset, n_folds): """cross_validation_split(将数据集进行抽重抽样 n_folds 份,数据可以重复重复抽取,每一次list的元素是无重复的) Args: dataset 原始数据集 n_folds 数据集dataset分成n_flods份 Returns: dataset_split list集合,存放的是:将数据集进行抽重抽样 n_folds 份,数据可以重复重复抽取,每一次list的元素是无重复的 """ dataset_split = list() dataset_copy = list(dataset) # 复制一份 dataset,防止 dataset 的内容改变 fold_size = len(dataset) / n_folds for i in range(n_folds): fold = list() # 每次循环 fold 清零,防止重复导入 dataset_split while len(fold) < fold_size: # 这里不能用 if,if 只是在第一次判断时起作用,while 执行循环,直到条件不成立 # 有放回的随机采样,有一些样本被重复采样,从而在训练集中多次出现,有的则从未在训练集中出现,此则自助采样法。从而保证每棵决策树训练集的差异性 index = randrange(len(dataset_copy)) # 将对应索引 index 的内容从 dataset_copy 中导出,并将该内容从 dataset_copy 中删除。 # pop() 函数用于移除列表中的一个元素(默认最后一个元素),并且返回该元素的值。 # fold.append(dataset_copy.pop(index)) # 无放回的方式 fold.append(dataset_copy[index]) # 有放回的方式 dataset_split.append(fold) # 由dataset分割出的n_folds个数据构成的列表,为了用于交叉验证 return dataset_split # Split a dataset based on an attribute and an attribute value # 根据特征和特征值分割数据集 def test_split(index, value, dataset): left, right = list(), list() for row in dataset: if float(row[index]) < float(value): left.append(row) else: right.append(row) return left, right # Calculate the Gini index for a split dataset def gini_index(groups, class_values): # 个人理解:计算代价,分类越准确,则 gini 越小 gini = 0.0 for class_value in class_values: # class_values = [0, 1]就是label的值 for group in groups: # groups = (left, right) size = len(group) if size == 0: continue proportion = [row[-1] for row in group].count(class_value) / float(size) gini += (proportion * (1.0 - proportion)) # 个人理解:计算代价,分类越准确,则 gini 越小 return gini # 找出分割数据集的最优特征,得到最优的特征 index,特征值 row[index],以及分割完的数据 groups(left, right) def get_split(dataset, n_features): class_values = list(set(row[-1] for row in dataset)) # class_values =[0, 1] b_index, b_value, b_score, b_groups = 999, 999, 999, None features = list() while len(features) < n_features: index = randrange(len(dataset[0])-1) # 往 features 添加 n_features 个特征( n_feature 等于特征数的根号),特征索引从 dataset 中随机取 if index not in features: features.append(index) for index in features: # 在 n_features 个特征中选出最优的特征索引,并没有遍历所有特征,从而保证了每课决策树的差异性 for row in dataset: groups = test_split(index, row[index], dataset) # groups=(left, right), row[index] 遍历每一行 index 索引下的特征值作为分类值 value, 找出最优的分类特征和特征值 gini = gini_index(groups, class_values) # 左右两边的数量越一样,说明数据区分度不高,gini系数越大 if gini < b_score: b_index, b_value, b_score, b_groups = index, row[index], gini, groups # 最后得到最优的分类特征 b_index,分类特征值 b_value,分类结果 b_groups。b_value 为分错的代价成本 # print(b_score) return {'index': b_index, 'value': b_value, 'groups': b_groups} # Create a terminal node value # 输出group中出现次数较多的标签 def to_terminal(group): outcomes = [row[-1] for row in group] # max() 函数中,当 key 参数不为空时,就以 key 的函数对象为判断的标准 return max(set(outcomes), key=outcomes.count) # 输出 group 中出现次数较多的标签 # Create child splits for a node or make terminal # 创建子分割器,递归分类,直到分类结束 def split(node, max_depth, min_size, n_features, depth): # max_depth = 10, min_size = 1, n_features = int(sqrt((dataset[0])-1)) left, right = node['groups'] del(node['groups']) # check for a no split if not left or not right: node['left'] = node['right'] = to_terminal(left + right) return # check for max depth if depth >= max_depth: # max_depth=10 表示递归十次,若分类还未结束,则选取数据中分类标签较多的作为结果,使分类提前结束,防止过拟合 node['left'], node['right'] = to_terminal(left), to_terminal(right) return # process left child if len(left) <= min_size: node['left'] = to_terminal(left) else: node['left'] = get_split(left, n_features) # node['left']是一个字典,形式为{'index':b_index, 'value':b_value, 'groups':b_groups},所以node是一个多层字典 split(node['left'], max_depth, min_size, n_features, depth+1) # 递归,depth+1计算递归层数 # process right child if len(right) <= min_size: node['right'] = to_terminal(right) else: node['right'] = get_split(right, n_features) split(node['right'], max_depth, min_size, n_features, depth+1) # Build a decision tree def build_tree(train, max_depth, min_size, n_features): """build_tree(创建一个决策树) Args: train 训练数据集 max_depth 决策树深度不能太深,不然容易导致过拟合 min_size 叶子节点的大小 n_features 选取的特征的个数 Returns: root 返回决策树 """ # 返回最优列和相关的信息 root = get_split(train, n_features) # 对左右2边的数据 进行递归的调用,由于最优特征使用过,所以在后面进行使用的时候,就没有意义了 # 例如: 性别-男女,对男使用这一特征就没任何意义了 split(root, max_depth, min_size, n_features, 1) return root # Make a prediction with a decision tree def predict(node, row): # 预测模型分类结果 if float(row[node['index']]) < float(node['value']): if isinstance(node['left'], dict): # isinstance 是 Python 中的一个内建函数。是用来判断一个对象是否是一个已知的类型。 return predict(node['left'], row) else: return node['left'] else: if isinstance(node['right'], dict): return predict(node['right'], row) else: return node['right'] # Make a prediction with a list of bagged trees def bagging_predict(trees, row): """bagging_predict(bagging预测) Args: trees 决策树的集合 row 测试数据集的每一行数据 Returns: 返回随机森林中,决策树结果出现次数做大的 """ # 使用多个决策树trees对测试集test的第row行进行预测,再使用简单投票法判断出该行所属分类 predictions = [predict(tree, row) for tree in trees] return max(set(predictions), key=predictions.count) # 创建数据集合中的随机子样本 # Create a random subsample from the dataset with replacement def subsample(dataset, ratio): # 创建数据集的随机子样本 """random_forest(评估算法性能,返回模型得分) Args: dataset 训练数据集 ratio 训练数据集的样本比例 Returns: sample 随机抽样的训练样本 """ sample = list() # 训练样本的按比例抽样。 # round() 方法返回浮点数x的四舍五入值。 n_sample = round(len(dataset) * ratio) while len(sample) < n_sample: # 有放回的随机采样,有一些样本被重复采样,从而在训练集中多次出现,有的则从未在训练集中出现,此则自助采样法。从而保证每棵决策树训练集的差异性 index = randrange(len(dataset)) sample.append(dataset[index]) return sample # Random Forest Algorithm def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features): """random_forest(评估算法性能,返回模型得分) Args: train 训练数据集 test 测试数据集 max_depth 决策树深度不能太深,不然容易导致过拟合 min_size 叶子节点的大小 sample_size 训练数据集的样本比例 n_trees 决策树的个数 n_features 选取的特征的个数 Returns: predictions 每一行的预测结果,bagging 预测最后的分类结果 """ trees = list() # n_trees 表示决策树的数量 for i in range(n_trees): # 随机抽样的训练样本, 随机采样保证了每棵决策树训练集的差异性 sample = subsample(train, sample_size) # 创建一个决策树 tree = build_tree(sample, max_depth, min_size, n_features) trees.append(tree) # 每一行的预测结果,bagging 预测最后的分类结果 predictions = [bagging_predict(trees, row) for row in test] return predictions # Calculate accuracy percentage def accuracy_metric(actual, predicted): # 导入实际值和预测值,计算精确度 correct = 0 for i in range(len(actual)): if actual[i] == predicted[i]: correct += 1 return correct / float(len(actual)) * 100.0 # 评估算法性能,返回模型得分 def evaluate_algorithm(dataset, algorithm, n_folds, *args): """evaluate_algorithm(评估算法性能,返回模型得分) Args: dataset 原始数据集 algorithm 使用的算法 n_folds 数据的份数 *args 其他的参数 Returns: scores 模型得分 """ # 将数据集进行抽重抽样 n_folds 份,数据可以重复重复抽取,每一次 list 的元素是无重复的 folds = cross_validation_split(dataset, n_folds) scores = list() # 每次循环从 folds 从取出一个 fold 作为测试集,其余作为训练集,遍历整个 folds ,实现交叉验证 for fold in folds: train_set = list(folds) train_set.remove(fold) # 将多个 fold 列表组合成一个 train_set 列表, 类似 union all """ In [20]: l1=[[1, 2, 'a'], [11, 22, 'b']] In [21]: l2=[[3, 4, 'c'], [33, 44, 'd']] In [22]: l=[] In [23]: l.append(l1) In [24]: l.append(l2) In [25]: l Out[25]: [[[1, 2, 'a'], [11, 22, 'b']], [[3, 4, 'c'], [33, 44, 'd']]] In [26]: sum(l, []) Out[26]: [[1, 2, 'a'], [11, 22, 'b'], [3, 4, 'c'], [33, 44, 'd']] """ train_set = sum(train_set, []) test_set = list() # fold 表示从原始数据集 dataset 提取出来的测试集 for row in fold: row_copy = list(row) row_copy[-1] = None test_set.append(row_copy) predicted = algorithm(train_set, test_set, *args) actual = [row[-1] for row in fold] # 计算随机森林的预测结果的正确率 accuracy = accuracy_metric(actual, predicted) scores.append(accuracy) return scores if __name__ == '__main__': # 加载数据 dataset = loadDataSet('/home/ach/桌面/machine-learning/ai/randomforest/7.RandomForest/sonar-all-data.txt') # print(dataset) n_folds = 10 # 分成5份数据,进行交叉验证 max_depth = 20 # 调参(自己修改) #决策树深度不能太深,不然容易导致过拟合 min_size = 1 # 决策树的叶子节点最少的元素数量 sample_size = 1.0 # 做决策树时候的样本的比例 # n_features = int((len(dataset[0])-1)) n_features = 15 # 调参(自己修改) #准确性与多样性之间的权衡 for n_trees in [1, 10, 20]: # 理论上树是越多越好 scores = evaluate_algorithm(dataset, random_forest, n_folds, max_depth, min_size, sample_size, n_trees, n_features) # 每一次执行本文件时都能产生同一个随机数 seed(1) print('random=', random()) print('Trees: %d' % n_trees) print('Scores: %s' % scores) print('Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores))))
SK 实现随机森林
# 导入需要的包
import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
def loadDataSet(filename:str):
dataset = []
datalabel = []
with open(filename,'r') as f:
for line in f.readlines():
if not line:
continue
lineArr = []
# le = len(line.split(','))
for featrue in line.split(','):
#strip()返回左右去除空格
str_f = featrue.strip()
# if str_f.isdigit():# 判断是否可以转化为数字
# # 将这一行数据的某一列可以转化为数字的转化为float
# lineArr.append(float(str_f))
# else:
# #添加label
# # lineArr.append(str_f)
# datalabel.append(str_f)
try:
lineArr.append(float(str_f))
except:
datalabel.append(str_f)
dataset.append(lineArr)
return dataset,datalabel
if __name__ == '__main__':
# 加载数据
dataset,datalabel = loadDataSet('/home/ach/桌面/machine-learning/ai/randomforest/7.RandomForest/sonar-all-data.txt')
rfc = RandomForestClassifier(random_state=1,n_estimators=11,oob_score=True,max_features=15)
# print(np.mat(dataset).shape)
# print(np.mat(datalabel).reshape())
# print(cross_val_score(rfc,np.mat(dataset),np.mat(datalabel).T,cv=10).mean())
score = cross_val_score(rfc,np.mat(dataset),np.mat(datalabel).T,cv = 5)
plt.plot(range(1,6),score,label = "Random Forest")
plt.legend()
plt.show()
-
运行结果