算法模型---树相关---随机森林原理与算法实现

随机森林的特点

影响分类性能的主要因素：①森林中单棵树的分类强度：每棵树的分类强度越大，则随机森林的分类性能越好。②森林中树之间的相关度：树之间的相关度越大，则随机森林的分类性能越差。

随机森林的用途

随机森林的适用范围

随机森林主要应用于回归和分类。

数据类型

对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化。

随机森林的优点

两个随机性的引入，使得随机森林不容易陷入过拟合
两个随机性的引入，使得随机森林具有很好的抗噪声能力
可生成一个Proximities=(pij)矩阵，用于度量样本之间的相似性：pij=aij/N,aji表示样本i和j出现在随机森林中同一个叶子结点的次数，N表示随机森林中树的棵树。
可以得出变量重要性排序(两种：基于OOB误分率的增加量和基于分裂时的GINI下降量)
a. 在数据集上表现良好，两个随机性的引入，使得随机森林不容易陷入过拟合
b. 在当前的很多数据集上，相对其他算法有着很大的优势，两个随机性的引入，使得随机森林具有很好的抗噪声能力
c. 它能够处理很高维度（feature很多）的数据，并且不用做特征选择，对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化
d. 可生成一个Proximities=（pij）矩阵，用于度量样本之间的相似性： pij=aij/N, aij表示样本i和j出现在随机森林中同一个叶子结点的次数，N随机森林中树的颗数
e. 在创建随机森林的时候，对generlization error使用的是无偏估计
f. 训练速度快，可以得到变量重要性排序（两种：基于OOB误分率的增加量和基于分裂时的GINI下降量
g. 在训练过程中，能够检测到feature间的互相影响
h. 容易做成并行化方法
i. 实现比较简单

随机森林的局限性

随机森林原理

随机森林是建立在决策树基础上集成方法（决策树中，由于噪声等因素及高方差的影响，可能会产生一些错误的分支，在没有修剪树枝的时候更容易如此）。随机森林通过有放回的方式从原始样本中随机抽取部分样本产生新的样本集合，重复这样的操作产生多个样本集合，每个样本集合后续都会产生一棵决策树；在每棵决策树产生的过程中，在每个节点进行分支的时候都随机地抽取部分特征参与决策树的分支，然后递归分支，递归分支的过程中，每次都是从剩余的特征中随机抽取部分特征参与分支（因为已经参与分支的特征不会出现在该节点之后的节点中）；最后会生成多棵决策树，对新的输入样本进行类别预测时，每一棵树都会产生一个预测结果，最终通过少数服从多数的原则确定新输入样本的类别。根据Leo Breiman的建议，假设总的特征数量为M，随机抽取的部分特征数目这个比例可以是sqrt(M),1/2sqrt(M), 2sqrt(M)。

---

随机森林以其说是一种模型不如说是一种处理问题的哲学:由于使用原始样本产生的单棵决策树容易产生错误分支，存在过拟合的问题；而利用部分样本和部分变量产生的单棵决策树并不能修正这个问题，甚至会加重这个问题，有的树对新样本的预测可能会产生“左”的错误，有的树对新样本的预测可能会产生“右”的错误，但也会有很多树产生正确的预测；由于样本和变量的随机性，这种左”的错误和右”的错误容易被中和掉，利用“少数服从多数”的原则就容易把中间的正确预测突显出来，从而在整体上提高预测准确性。

---

随机森林流程图

---

随机森林算法实现

本算法来源流风，飘然的风
该算法在决策结生长过程中只能产生二分叉树，并且是对连续特征值进行分支的，某特征值小于等于某个值分出一个支，大于某个值分出另一个支，递归此过程。这种处理方式对自然科学领域的数据可用，但在商业上可能更多的是更复杂的离散值，不能简单二分支，需要做特征工程。此算法的效率也不高，需要改造和完善。这里只是用它来展示随机森林的产生过程。

# -*- coding: utf-8 -*-

# Random Forest Algorithm on Sonar Dataset
from random import seed
from random import randrange
from csv import reader
from math import sqrt
import numpy as np

#随机森林算法部分
#---------------------------------------------------------------------------------------------------
#---------------------------------------------------------------------------------------------------
#随机森林预测
#---------------------------------------------------------------------------------------------------
#得到单棵树的预测
# Make a prediction with a decision tree
def predict(node, row):
    if row[node['index']] < node['value']:#属于左子集一类
        if isinstance(node['left'], dict):
            return predict(node['left'], row)
        else:
            return node['left']
    else:#属于右子集一类
        if isinstance(node['right'], dict):#需要顺着子集的路径继续递归寻找类别
            return predict(node['right'], row)
        else:#已经找到类别
            return node['right']

#利用随机森林预测类别        
# Make a prediction with a list of bagged trees
def bagging_predict(trees, row):
    predictions = [predict(tree, row) for tree in trees]#利用多棵决策树预测样本类别
    return max(set(predictions), key=predictions.count)#少数服从多数确定类别


#随机森林产生过程
#---------------------------------------------------------------------------------------------------
#强制产生叶节点，并标记类别
# Create a terminal node value
def to_terminal(group):#强制产生叶节点，并标记节点为类别样本数目最多的类别
    outcomes = [row[-1] for row in group]
    return max(set(outcomes), key=outcomes.count)

#节点分支主体
# Create child splits for a node or make terminal
def split(node, max_depth, min_size, n_features, depth):
    left, right = node['groups']#取出左右子集
    del(node['groups'])
    # check for a no split
    if not left or not right:#左右子集为空,强制产生叶节点，并标记节点为类别样本数目最多的类别
        node['left'] = node['right'] = to_terminal(left + right)
        return
    # check for max depth
    if depth >= max_depth:#决策树层数过多,强制产生叶节点，并标记节点为类别样本数目最多的类别;depth一般默认设置为1表示当前在根节点分支
        node['left'], node['right'] = to_terminal(left), to_terminal(right)
        return
    # process left child
    if len(left) <= min_size:#左子集中样本数过少,强制产生叶节点，并标记节点为类别样本数目最多的类别
        node['left'] = to_terminal(left)
    else:
        node['left'] = get_split(left, n_features)#对左子集进行分支，即决策树的递归操作
        split(node['left'], max_depth, min_size, n_features, depth+1)
    # process right child
    if len(right) <= min_size:#右子集中样本数过少,强制产生叶节点，并标记节点为类别样本数目最多的类别
        node['right'] = to_terminal(right)
    else:
        node['right'] = get_split(right, n_features)#对右子集进行分支，决策树递归
        split(node['right'], max_depth, min_size, n_features, depth+1)

#计算节点Gini索引
# Calculate the Gini index for a split dataset
def gini_index(groups, class_values):#计算样本集合的gini索引值
    gini = 0.0
    for class_value in class_values:
        for group in groups:
            size = len(group)
            if size == 0:
                continue
            proportion = [row[-1] for row in group].count(class_value) / float(size)
            gini += (proportion * (1.0 - proportion)) #这里采用左右子集的Gini系数之和来表示
    return gini

#简单地利用属性值对节点划分子集
# Split a dataset based on an attribute and an attribute value
def test_split(index, value, dataset):#以某一样本的某一特征为参考，当其他样本的该特征值小于参考特征值的时候归为一类，大于等于参考特征值的时候归为另一类
    left, right = list(), list()
    for row in dataset:
        if row[index] < value:
            left.append(row)
        else:
            right.append(row)
    return left, right

#产生测试属性和左右子集和划分左右子集的标准
# Select the best split point for a dataset
def get_split(dataset, n_features):
    class_values = list(set(row[-1] for row in dataset))#取出样本类别标签
    b_index, b_value, b_score, b_groups = 999, 999, 999, None
    features = list()
    while len(features) < n_features:#随机获取n_features个特征用于创建决策树
        index = randrange(len(dataset[0])-1)
        if index not in features:
            features.append(index)
    for index in features:#对某一个特征进行操作
        for row in dataset:#尝试逐个样本的值作为划分左右子集的标准，感觉这种方式很低效
            groups = test_split(index, row[index], dataset)#按照样本row的index特征值将样本集合dataset分为两个子集
            gini = gini_index(groups, class_values)#左右子集的gini之和，取最小值来选取测试属性
            if gini < b_score:
                b_index, b_value, b_score, b_groups = index, row[index], gini, groups#更新最佳特征的相关信息
    return {'index':b_index, 'value':b_value, 'groups':b_groups}#返回测试属性和左右子集和划分左右子集的标准

#生成单棵树的主体部分
# Build a decision tree
def build_tree(train, max_depth, min_size, n_features):#生成一棵决策树
    root = get_split(train, n_features)#获取测试属性、左右子集和划分左右子集的标准(先随机选出n_features个属性，然后在这些属性里选择出测试属性，进而分支)
    split(root, max_depth, min_size, n_features, 1)#决策树分支，每一次分支都是先随机选出n_features个属性，然后再在里面选出测试属性，进而分支
    return root

#在训练样本中随机选取部分样本，为单棵结的生长准备
# Create a random subsample from the dataset with replacement
def subsample(dataset, ratio):
    sample = list()
    n_sample = round(len(dataset) * ratio)#这里dataset是局部变量，接受的是上一层传入的train_set数据
    while len(sample) < n_sample:
        index = randrange(len(dataset))
        sample.append(dataset[index])
    return sample

#随机森林的生长主体并利用得到的随机森林对测试集进行测试
# Random Forest Algorithm
def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features):#利用随机森林进行学习
    trees = list()
    for i in range(n_trees):
        sample = subsample(train, sample_size)#随机抽取部分样本，sample_size为抽取比例
        tree = build_tree(sample, max_depth, min_size, n_features)#利用部分随机的特征来进行决策树的生长
        trees.append(tree)#生成多棵决策树
    predictions = [bagging_predict(trees, row) for row in test]#利用随机森林对测试样本集进行类别预测
    return(predictions)

#交叉验证部分
#---------------------------------------------------------------------------------------------------
#---------------------------------------------------------------------------------------------------
#计算预测精度
# Calculate accuracy percentage
def accuracy_metric(actual, predicted):
    correct = 0
    for i in range(len(actual)):
        if actual[i] == predicted[i]:
            correct += 1
    return correct / float(len(actual)) * 100.0

#准备好交叉验证数据
# Split a dataset into k folds
def cross_validation_split(dataset, n_folds):#将样本随机分成n_folds组，最后一组的数目会小于等于其他组
    dataset_split = list()
    dataset_copy = list(dataset)
    fold_size = len(dataset) / n_folds
    sample_flag=0
    for i in range(n_folds):
        fold = list()
        if (len(dataset)-sample_flag>=fold_size):
            while len(fold) < fold_size:
                index = randrange(len(dataset_copy))#产生随机索引，以便后面抽取样本
                fold.append(dataset_copy.pop(index))#这是无放回抽取样本，是因为交叉验证的需要，与随机森林的有放回抽取是不一样的
                sample_flag=sample_flag+1
            dataset_split.append(fold)#逐一获得各组数据
        else:
            dataset_split.append(dataset_copy)#获得最后一组数据
    return dataset_split

#交叉验证
# Evaluate an algorithm using a cross validation split
def evaluate_algorithm(dataset, algorithm, n_folds, *args):
    folds = cross_validation_split(dataset, n_folds)#按照交叉验证的要求得到n_folds组数据
    scores = list()
    for fold in folds:#将其中一组数据做为测试组，其他组作为训练组，进行随机森林的学习，并循环这个过程，即所谓交叉验证
        train_set = list(folds)#这里只是为了避免对原数据造成影响，采用这种方式给新变量赋值
        train_set.remove(fold)
        train_set = sum(train_set, [])#将训练组的样本合到一个列表下，之后便是在这一个集合中随机抽取部分样本；测试组数据在fold中;
        test_set = list()
        for row in fold:#将测试组数据转移到test_set
            row_copy = list(row)
            test_set.append(row_copy)
            row_copy[-1] = None#去掉测试组数据的类别标签
        predicted = algorithm(train_set, test_set, *args)#利用随机森林对测试集进行类别预测
        actual = [row[-1] for row in fold]#真实类别值
        accuracy = accuracy_metric(actual, predicted)#计算一组测试值的预测精度
        scores.append(accuracy)
    return scores

#数据准备部分
#---------------------------------------------------------------------------------------------------
#---------------------------------------------------------------------------------------------------
# Load a CSV file
def load_csv(filename):#读取csv文件中的数据,按行读取,存放于列表中
    dataset = list()
    with open(filename, 'r') as file:
        csv_reader = reader(file)
        for row in csv_reader:
            if not row:
                continue
            dataset.append(row)
    return dataset

# Convert string column to float
def str_column_to_float(dataset, column):#将样本中某变量的值由字符型转换成浮点型并去掉了首尾的空格
    for row in dataset:
        row[column] = float(row[column].strip())

# Convert string column to integer
def str_column_to_int(dataset, column):#将样本指定列的特征值由字符转换成数值标签,0,1,...这里就是要被标签的数值化
    class_values = [row[column] for row in dataset]
    unique = set(class_values)
    lookup = dict()
    for i, value in enumerate(unique):
        lookup[value] = i
    for row in dataset:
        row[column] = lookup[row[column]]
    return lookup#有没有返回无所谓


#随机森林的使用部分
#---------------------------------------------------------------------------------------------------
#---------------------------------------------------------------------------------------------------
# Test the random forest algorithm
seed(1)
# load and prepare data
filename = 'sonar.all-data.csv'
dataset = load_csv(filename)
sample_num,var_num=np.shape(dataset)
print(sample_num,var_num)#数据集是208个样本，60个特征，最后一位为类别标标签，两类，R代表岩石，M代表金属
# convert string attributes to float
for i in range(0, len(dataset[0])-1):#逐个将样本的特征值由字符型转换为浮点型
    str_column_to_float(dataset, i)
# convert class column to integers
str_column_to_int(dataset, len(dataset[0])-1)#将类别标签转换为数值标签
# evaluate algorithm
n_folds = 5 #将原始样本分成5份，以便于交叉验证
max_depth = 10#初始化决策树的层数
min_size = 1 #当集合中样本数少于min_size时就停止分支，相当于分支时统计特征的限制，设置为1即没有任何限制
sample_size = 0.8#sample_size为随机抽取样本时的比例
n_features = int(sqrt(len(dataset[0])-1))#初始化随机选取特征的数目，
for n_trees in [5,10,15]:
    scores = evaluate_algorithm(dataset, random_forest, n_folds, max_depth, min_size, sample_size, n_trees, n_features)
    print('Trees: %d' % n_trees)
    print('Scores: %s' % scores)
    print('Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores))))

随机森林用于多分类

继承自决策树模型随机森林也天然是一个多分类算法

随机森林用于回归分析

预测值为叶节点目标变量的加权均值

随机森林模型的检验(及自变量的选择)

随机森林模型的评估方法

随机森林的正则化

随机森林并行

spark中的随机森林

来源：
Spark mllib 随机森林算法的简单应用（附代码）
随机森林回归（Random Forest）算法原理及Spark MLlib调用实例（Scala/Java/python）
参数：

参数名	类型	含义
checkpointInterval:	类型：整数型。	含义：设置检查点间隔（>=1），或不设置检查点（-1）。
featureSubsetStrategy:	类型：字符串型。	含义：每次分裂候选特征数量。
featuresCol:	类型：字符串型。	含义：特征列名。
impurity:	类型：字符串型。	含义：计算信息增益的准则（不区分大小写）。
labelCol:	类型：字符串型。	含义：标签列名。
maxBins:	类型：整数型。	含义：连续特征离散化的最大数量，以及选择每个节点分裂特征的方式。
maxDepth:	类型：整数型。	含义：树的最大深度（>=0）。
minInfoGain:	类型：双精度型。	含义：分裂节点时所需最小信息增益。
minInstancesPerNode:	类型：整数型。	含义：分裂后自节点最少包含的实例数量。
numTrees:	类型：整数型。	含义：训练的树的数量。
predictionCol:	类型：字符串型。	含义：预测结果列名。
seed:	类型：长整型。	含义：随机种子。
subsamplingRate:	类型：双精度型。	含义：学习一棵决策树使用的训练数据比例，范围[0,1]。
thresholds:	类型：双精度数组型。	含义：多分类预测的阀值，以调整预测结果在各个类别的概率。

其他参考：用Python实现随机森林算法