【实践】随机森林算法参数解释及调优（含Python代码）

前言

上篇文章梳理了随机森林的各理论要点，本文首先详细解释了随机森林类的参数含义，并基于该类讲解了参数择优过程。

随机森林类库包含了RandomForestClassifer类，回归类是RandomForestRegressor类。RF的变种ExtraTress也有ExtraTressClassifier类和ExtraTressRegressor类。由于这四个类的参数基本相同，只要完全理解其中一个类，其他三个类很快就能上手。

本文只介绍RandomForestClassifer类。

随机森林是基于bagging框架的决策树模型，因此随机森林的参数择优包括两部分：

（1）RF框架的参数择优；

（2）RF决策树的参数择优。因此，理解RF框架参数和决策树参数的含义是模型参数择优的前提。

RF框架参数含义

n_estimators ： 对原始数据集进行有放回抽样生成的子数据集个数， 即决策树的个数。若n_estimators太小容易欠拟合，太大不能显著的提升模型，所以n_estimators选择适中的数值。

bootstrp：是否对样本集进行有放回抽样来构建树，True表示是，默认值True

oob_score：是否采用袋外样本来评估模型的好坏，True代表是，默认值False，袋外样本误差是测试数据集误差的无偏估计，所以推荐设置True。

RF框架的参数很少，框架参数择优一般是调节n_estimators值，即决策树个数。

RF决策树参数含义

max_features：构建决策树最优模型时考虑的最大特征数。默认是”auto“，表示最大特征数是N的平方根；“log2”表示最大特征数是${\log }_2^N$，；"sqrt"表示最大特征数为$\sqrt{N}$，。如果是整数，代表考虑的最大特征数；如果是浮点数，表示对（N*max_features）取整。其中N表示样本的特征数。

max_depth：决策树最大深度。若等于None，表示决策树在构建最优模型的时候不会限制子树的深度。如果模型样本量多，特征也多的情况下，推荐限制最大深度；若样本量少或者特征少，则不限制最大深度。

min_samples_leaf：叶子节点含有的最少样本。若叶子节点样本数小于min_samples_leaf，则对该叶子节点和兄弟叶子节点进行剪枝，只留下该叶子节点的父节点。整数型表示个数，浮点型表示取大于等于（样本数*min_samples_leaf）的最小整数。min_samples_leaf默认值是1。

min_samples_split ： 节点可分的最小样本数， 默认值是2 。整数型和浮点型的含义与min_samples_leaf类似。

max_leaf_nodes：最大叶子节点数。int设置节点数，None表示对叶子节点数没有限制。

min_impurity_decrease：节点划分的最小不纯度。假设不纯度用信息增益表示，若某节点划分时的信息增益大于等于min_impurity_decrease，那么该节点还可以再划分；反之，则不能划分。

criterion：表示节点的划分标准。不纯度标准参考Gini指数，信息增益标准参考"entrop"熵。

min_samples_leaf：叶子节点最小的样本权重和。叶子节点如果小于这个值，则会和兄弟节点一起被剪枝，只保留该叶子节点的父节点。默认是0，则不考虑样本权重问题。一般来说，如果有较多样本的缺失值或偏差很大，则尝试设置该参数值。

RF参数择优实例

RF参数择优思想：RF模型可以理解成决策树模型嵌入到bagging框架，因此，我们首先对外层的bagging框架进行参数择优，然后再对内层的决策树模型进行参数择优。在优化某一参数时，需要把其他参数设置为常数。

导入相关的包：

import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

训练数据集：

X,y=make_classification()
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=1)

我们不妨看一下所有参数都采用默认值，查看分类情况：

estimator=RandomForestClassifier(oob_score=True,random_state=1)
estimator.fit(X_train,y_train)
print(estimator.oob_score_)

0.9375

对外层的bagging框架进行参数择优，即对n_estimators参数择优，其他参数仍然是默认值

n_esimators参数择优的范围是：1~101，步长为10。十折交叉验证率选择最优n_estimators 。

param_test1={'n_estimators':range(1,101,10)}
grid_search=GridSearchCV(estimator=RandomForestClassifier(random_state=1),param_grid=param_test1,scoring='roc_auc',cv=10)
grid_search.fit(X_train,y_train)
print(grid_search.best_params_)
print(grid_search.best_score_)

输出结果：

{'n_estimators': 41}
0.9800000000000001

因此，最佳的子决策树个数是71，准确率98%，相比默认参数的93.7%有较大的提高。

优化决策树参数的最大特征数max_features，其他参数设置为常数，且n_estimators为41

max_features参数择优的范围：1~11，步长为1，十折交叉验证率选择最优max_features 。

param_test2={'max_features':range(1,21,1)}
grid_search_1=GridSearchCV(estimator=RandomForestClassifier(n_estimators=grid_search.best_params_['n_estimators'],random_state=1),param_grid=param_test2,scoring='roc_auc',cv=10)
grid_search_1.fit(X_train,y_train)
print(grid_search_1.best_params_)
print(grid_search_1.best_score_)

结果：

{'max_features': 4}
0.9800000000000001

因此，选择最佳的最大特征数为4，准确率为98%，相比默认的最大特征数，准确率有一定的提高。

决策树的其他最优参数也是按照类似的步骤去搜寻，这里就不一一介绍了。

用最优参数重新训练数据，计算泛化误差：

rfl=RandomForestClassifier(n_estimators=grid_search.best_params_['n_estimators'],max_features=grid_search_1.best_params_['max_features'],oob_score=True,random_state=1)
rfl.fit(X_train,y_train)
print(rfl.oob_score_)

0.9125

总结

随机森林模型优化主要是考虑如何选择子数据集个数（ n_estimators ） 和最大特征个数（max_features），参数优化顺序可参考下图：

首先增大n_estimators，提高模型的拟合能力，当模型的拟合能力没有明显提升的时候，则再增大n_estimators，提高每个子模型的拟合能力，则相应的提高了模型的拟合能力。

上节的参数调优是比较常用的一种参数调优方法，可应用到其他模型的参数优化过程。

完整版代码

import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

X,y=make_classification()
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=1)
estimator=RandomForestClassifier(oob_score=True,random_state=1)
estimator.fit(X_train,y_train)
print(estimator.oob_score_)

"""
对外层的bagging框架进行参数择优，即对n_estimators参数择优，其他参数仍然是默认值
"""
param_test1={'n_estimators':range(1,101,10)}
grid_search=GridSearchCV(estimator=RandomForestClassifier(random_state=1),param_grid=param_test1,scoring='roc_auc',cv=10)
grid_search.fit(X_train,y_train)
print(grid_search.best_params_)
print(grid_search.best_score_)

"""
优化决策树参数的最大特征数max_features，其他参数设置为常数，且n_estimators为81
"""
param_test2={'max_features':range(1,21,1)}
grid_search_1=GridSearchCV(estimator=RandomForestClassifier(n_estimators=grid_search.best_params_['n_estimators'],random_state=1),param_grid=param_test2,scoring='roc_auc',cv=10)
grid_search_1.fit(X_train,y_train)
print(grid_search_1.best_params_)
print(grid_search_1.best_score_)

"""
用最优参数重新训练数据，计算泛化误差
"""
rfl=RandomForestClassifier(n_estimators=grid_search.best_params_['n_estimators'],max_features=grid_search_1.best_params_['max_features'],oob_score=True,random_state=1)
rfl.fit(X_train,y_train)
print(rfl.oob_score_)