机器学习之random forest（随机森林）

随机森林

什么是随机森林？

在讲解随机森林之前，首先我们要了解什么叫集成学习

集成学习

集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分类的做出预测。

随机森林

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

小编觉得随机森林就是投票思想，少数服从多数，根据多数的判断为依据

举例

在这里插入图片描述
例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终结果会是True.

随机森林建立多个决策树的过程

假设，现有数据集拥有N个样本,M个特征

每颗树的建立过程：

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。

为什么要随机抽样训练集？

如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的

为什么要有放回地抽样？

如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

知识储备

随机森林API

class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’,max_depth=None, bootstrap=True, random_state=None)

n_estimators：integer，optional（default = 10）森林里的树木数量120，200，300，500，800，1200
criteria：string，可选（default =“gini”）分割特征的测量方法
max_depth：integer或None，可选（默认=无）树的最大深度 5，8，15，25，30
bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样
max. features=“aub”,每个决策树的最大特征数量
If "auto, then ‘max_features=sqrt(n_features)’
If “sqrt, then 'max _features=sqrt(n_features)” (same as “auto”)
If “log2”, then 'max_features =log2(n_features).
If None, then ‘max_features=n_feotures’

代码演示

随机森林的超参数：

n_estimators：森林里的树木数量
max_depth：树的最大深度

from sklearn.tree import DecisionTreeClassifier,export_graphviz
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
import pandas as pd

def decisionTree():
    '''
    决策树对泰坦尼克号生死进行预测
    :return :None
    '''
    # 数据来源http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt
    # 如果获取数据超时，可以选择将数据下载到本地进行
    titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")

    # 处理数据，找出特征值和目标值
    # 我们提取的数据集中的特征是票的类别，存活，乘坐班，年龄，登陆，home.dest，房间，票，船和性别。
    x = titan[['pclass','age','sex']]
    y = titan['survived']

    # 缺失值处理
    x['age'].fillna(x['age'].mean(),inplace=True)

    #分割数据到训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    #进行特征工程处理 特征->类型信息->one_hot编码
    dict = DictVectorizer(sparse=False)

    x_train = dict.fit_transform(x_train.to_dict(orient="records"))

    print(dict.get_feature_names())

    x_test = dict.transform(x_test.to_dict(orient="records"))

    # print(x_train)
    #用决策树进行预测
    # dec = DecisionTreeClassifier(max_depth=5)
    #
    # dec.fit(x_train,y_train)
    #
    # #预测准确率
    # print("预测的准确率为：",dec.score(x_test,y_test))
    #
    # #导出决策树的结构
    # #安装graphviz
    # #dot - Tpng tree.dot - o tree.png
    # export_graphviz(dec,out_file='./tree.dot',feature_names=['年龄', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', '女性', '男性'])

    # 随机森林进行预测（超参数调用）
    rf = RandomForestClassifier()

    # 构造超参数字典
    # n_estimators与max_depth的值并不是固定了，可以根据自己的实际进行更改
    # 超参数的值越多，耗时也就越久
    # 下列参数共有6*5=30次超参数组合
    param = {"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,15,25,30]}

    # 网格搜索与交叉验证
    gc = GridSearchCV(rf,param_grid=param,cv=2)

    gc.fit(x_train,y_train)

    print("准确率为",gc.score(x_test,y_test))

    print("查看选择的参数模型",gc.best_params_)
    #随机森林因为含有多颗决策树，所以不能导出树的结构

    return None



if __name__ == "__main__":
    decisionTree()