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
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()
决策树的优缺点
优点
- 在当前所有算法中,具有极好的准确率
- 能够有效地运行在大数据集上
- 能够处理具有高维特征的输入样本,而且不需要降维
- 能够评估各个特征在分类问题上的重要性
- 对于缺省值问题也能够获得很好得结果
缺点
- 很难找到合适的超参数