Scikit-learn实现随机森林算法

随机森林指的是利用多棵树对样本进行训练并预测的一种分类器

随机森林的原理

• 在机器学习中，随机森林是一个包含多个决策树的分类器
• 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。
  对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这m个特征，计算其最佳的分裂方式。
  每棵树都会完整成长而不会剪枝，这有可能在建完一棵正常树状分类器后会被采用）。

Scikit-learn实现随机森林和调参

• 随机森林在Scikit-learn的ensemble模块中，首先导入相应的模块

from sklearn import ensemble
from sklearn import tree
from sklearn import datasets
from sklearn.model_selection import train_test_split

• 这里我们利用Scikit-learn中的红酒数据集，这个数据集非常适用于机器学习中的树类模型

wine = datasets.load_wine()
X_data = wine.data
y_data = wine.target

• 随机森林常用的参数和重要属性说明
• 1 .min_samples_leaf=10，剪掉样本数少于10个的叶节点，或者把样本数少于10个的叶节点分到10个
  2 .n_estimators(默认为10)，就是随机森林中树的个数
  3 .min_impurity_split=30，中间节点样本个数少于30的不在分化
  4 .min_impurity_decrease=0.3，中间节点的信息增益低于0.3不再分化
  5 .max_features=2 #限制分支时考虑的特征个数
• 随机森林的属性和接口：
  1 .estimators_返回建的森林的列表，每棵树的情况
  2 .oob_score 袋外得分，随机森林采用bootstrap有放回的抽样可能有一些从未抽取到的数据，这些数据可以用来做测试
  四个接口：fit，predict，score，apply
  接口 predict_prob返回每一个样本对应的被分到每一类标签的概率，少数服从多数去选择预测的标签
• 下面构建模型

X_train,X_test,y_train,y_test = train_test_split(X_data,y_data,test_size = 0.3)
clf = tree.DecisionTreeClassifier(criterion='gini')
rfc = ensemble.RandomForestClassifier(random_state=10)    # 随机森林中树的棵数
clf = clf.fit(X_train,y_train)
rfc  = rfc.fit(X_train,y_train)

• 查看决策树和随机森林的模型得分，可以看到随机森林比决策树效果好一些

score1 = clf.score(X_test,y_test) 
score2 = rfc.score(X_test,y_test) 
print('Decision tree model score: {}'.format(score1))
print('RandomForest model score: {}'.format(score2))

>> Decision tree model score: 0.9074074074074074
   RandomForest model score: 0.9629629629629629

• 通过交叉验证验证一下模型的情况，并用matplotlib画图工具展示出来

### 多次交叉验证
from sklearn.model_selection import cross_val_score
import matplotlib.pyplot as plt
rfc_l = []
clf_l = []
for i in range(10):
    rfc = ensemble.RandomForestClassifier(n_estimators=25)
    rfc_s = cross_val_score(rfc,X_train,y_train,cv = 10).mean()
    rfc_l.append(rfc_s)
    
    clf = tree.DecisionTreeClassifier(criterion='entropy')
    clf_s = cross_val_score(clf,X_train,y_train,cv  = 10).mean()
    clf_l.append(clf_s)
    
plt.plot(range(1,11),rfc_l,label='RandomForest')
plt.plot(range(1,11),clf_l,label = "DecisionTree")

plt.legend()
plt.show()

• 随机森林模型的属性.feature_importances_可以查看每个特征的重要性的比例

rfc.feature_importances_
>> array([0.22856109, 0.03452478, 0.01369924, 0.00668104, 0.01473769,
       0.09992003, 0.08866531, 0.00509946, 0.02717142, 0.14646766,
       0.07152866, 0.13577966, 0.12716396])

• apple 属性返回每个测试样本所在的叶子节点的索引

clf.apply(X_test)
>> array([[ 9, 10,  2, ...,  6, 17, 10],
       [14, 18, 10, ..., 10, 23, 16],
       [14, 18, 10, ..., 10, 23, 16],
       ...,
       [ 5, 14,  7, ...,  9, 24,  5],
       [ 9, 16,  5, ...,  6, 16, 10],
       [14, 18, 10, ..., 10, 23, 16]], dtype=int64)

• predice属性返回每个测试样本的预测结果，可以对比一下预测样本的真实标签 y_test。

rfc.predict(X_test)
>> array([0.22856109, 0.03452478, 0.01369924, 0.00668104, 0.01473769,
       0.09992003, 0.08866531, 0.00509946, 0.02717142, 0.14646766,
       0.07152866, 0.13577966, 0.12716396])
       
y_test
>> array([2, 0, 0, 1, 1, 2, 1, 2, 2, 1, 2, 2, 0, 1, 1, 2, 0, 2, 1, 0, 2, 1,
       1, 0, 1, 0, 0, 2, 2, 0, 0, 1, 0, 2, 0, 0, 2, 1, 1, 1, 1, 2, 0, 1,
       0, 1, 1, 0, 2, 1, 1, 1, 2, 0])