scikit-learn__03.2__Regression-Forests-CSDN博客

Supervised Learning In-Depth: Random Forests(随机森林)

以前，我们看到了一个强大的判别分类器** Support Vector Machines **。
在这里，我们将探讨激励另一个强大的算法。这是一种称为“随机森林”的非参数算法。

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

plt.style.use('seaborn')

激励随机森林:决策树

随机森林是建立在决策树上的“整体学习者”的一个示例。
因此，我们将从讨论决策树本身开始。
决策树是对对象进行分类或标记的非常直观的方法：您只需提出一系列旨在归类到分类的问题：
在这里插入图片描述
二进制拆分使此过程非常有效。
与往常一样，诀窍是提出正确的问题。
这就是算法过程的来历：在训练决策树分类器时，算法会查看特征并确定哪些问题（或“拆分”）包含的信息最多。

创建一个决策树

这是scikit-learn中决策树分类器的示例。我们将从定义一些二维标签数据开始：

from sklearn.datasets import make_blobs

X, y = make_blobs(n_samples=300, centers=4,
                  random_state=0, cluster_std=1.0)
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap='rainbow');

在这里插入图片描述
我们的存储库中有一些便利功能可以帮助您

from fig_code import visualize_tree, plot_tree_interactive
plot_tree_interactive(X, y);

在这里插入图片描述
请注意，每次增加深度时，每个节点都会分为两个**，****仅包含单个类的节点除外。
结果是非常快速的“非参数”分类，在实践中可能非常有用。
问题：您对此有任何疑问吗？

决策树和过度拟合

决策树的一个问题是创建“过度拟合”数据的树非常容易。也就是说，它们足够灵活，可以了解数据而不是信号中的噪声结构！例如，看一下基于此数据集的两个子集构建的两棵树：

from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier()

plt.figure()
visualize_tree(clf, X[:200], y[:200], boundaries=False)
plt.figure()
visualize_tree(clf, X[-200:], y[-200:], boundaries=False)

在这里插入图片描述

分类的细节完全不同！这表示“过度拟合”：当您预测新点的值时，结果更能反映模型中的噪声而不是信号。

估算器合奏：随机森林

解决过度拟合的一种可能方法是使用“合体方法”：这是一种元估计器，它实际上是对许多过度拟合数据的单个估计器的结果进行平均。出乎意料的是，所得到的估算值比构成它们的单个估算值更加稳健和准确！

最常见的集成方法之一是“随机森林”，其中的集成由许多决策树组成，这些决策树在某种程度上会受到干扰。

关于如何随机化这些树，有大量的理论和先例，但是作为一个例子，让我们想象一下一组估计器适合数据的子集。我们可以对它们的外观有所了解，如下所示：

def fit_randomized_tree(random_state=0):
    X, y = make_blobs(n_samples=300, centers=4,
                      random_state=0, cluster_std=2.0)
    clf = DecisionTreeClassifier(max_depth=15)
    
    rng = np.random.RandomState(random_state)
    i = np.arange(len(y))
    rng.shuffle(i)
    visualize_tree(clf, X[i[:250]], y[i[:250]], boundaries=False,
                   xlim=(X[:, 0].min(), X[:, 0].max()),
                   ylim=(X[:, 1].min(), X[:, 1].max()))
    
from ipywidgets import interact
interact(fit_randomized_tree, random_state=(0, 100));

在这里插入图片描述
查看模型的详细信息如何随样本变化，而较大的特征保持不变！

随机森林分类器将执行类似的操作，但是使用所有这些树的组合版本来得出最终答案：

from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier(n_estimators=100, random_state=0)
visualize_tree(clf, X, y, boundaries=False);

在这里插入图片描述
通过平均100多个随机扰动模型，我们最终得到了一个更适合我们数据的整体模型！

（注意：以上我们通过子采样对模型进行了随机化处理。…随机森林使用更复杂的随机化方法，您可以在[scikit-learn文档]（http://scikit-learn.org /stable/modules/ensemble.html#forest)）

快速示例：转向回归

以上我们在分类的背景下考虑了随机森林。

在回归的情况下（也就是连续变量而不是分类变量），也可以使随机森林起作用。用于此的估算器是``sklearn.ensemble.RandomForestRegressor’’。

让我们快速演示如何使用它：

from sklearn.ensemble import RandomForestRegressor

x = 10 * np.random.rand(100)

def model(x, sigma=0.3):
    fast_oscillation = np.sin(5 * x)
    slow_oscillation = np.sin(0.5 * x)
    noise = sigma * np.random.randn(len(x))

    return slow_oscillation + fast_oscillation + noise

y = model(x)
plt.errorbar(x, y, 0.3, fmt='o');

在这里插入图片描述

xfit = np.linspace(0, 10, 1000)
yfit = RandomForestRegressor(100).fit(x[:, None], y).predict(xfit[:, None])
ytrue = model(xfit, 0)

plt.errorbar(x, y, 0.3, fmt='o')
plt.plot(xfit, yfit, '-r');
plt.plot(xfit, ytrue, '-k', alpha=0.5);

在这里插入图片描述

示例：用于分类数字的随机森林

我们之前看到了“手写数字”数据。让我们在这里使用它来测试SVM和随机森林分类器的功效。

from sklearn.datasets import load_digits
digits = load_digits()
digits.keys()
>>dict_keys(['data', 'target', 'target_names', 'images', 'DESCR'])

X = digits.data
y = digits.target
print(X.shape)
print(y.shape)
>>(1797, 64)
(1797,)

# set up the figure
fig = plt.figure(figsize=(6, 6))  # figure size in inches
fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)

# plot the digits: each image is 8x8 pixels
for i in range(64):
    ax = fig.add_subplot(8, 8, i + 1, xticks=[], yticks=[])
    ax.imshow(digits.images[i], cmap=plt.cm.binary, interpolation='nearest')
    
    # label the image with the target value
    ax.text(0, 7, str(digits.target[i]))

在这里插入图片描述

from sklearn.model_selection import train_test_split
from sklearn import metrics

Xtrain, Xtest, ytrain, ytest = train_test_split(X, y, random_state=0)
clf = DecisionTreeClassifier(max_depth=11)
clf.fit(Xtrain, ytrain)
ypred = clf.predict(Xtest)

metrics.accuracy_score(ypred, ytest)
>>0.8222222222222222

为了更好的测量，画出混乱矩阵

plt.imshow(metrics.confusion_matrix(ypred, ytest),
           interpolation='nearest', cmap=plt.cm.binary)
plt.grid(False)
plt.colorbar()
plt.xlabel("predicted label")
plt.ylabel("true label");