转载自：http://blog.sina.com.cn/s/blog_62970c250102xg6b.html
在Bagging与随机森林算法原理一文中介绍了随机森林（Random Forest，RF）算法的原理。本文将介绍scikit-learn中随机森林算法类库的使用和调参，以及和GBDT调参的异同点。
1) 划分时考虑的最大特征数max_features：可以使用多种类型值，默认是”None”，意味着划分时考虑所有的特征数；如果是”log2”，意味着划分时最多考虑log2N（以2为底N的对数）个特征；如果是”sqrt”或者”auto”，意味着划分时最多考虑N的平方根个特征；如果是整数，代表考虑的特征绝对数；如果是浮点数，代表考虑特征数的百分比，即考虑（百分比xN）取整后的特征数。其中N是样本总特征数。一般来说，如果样本特征数不多，比如小于50，使用默认值”None”就可以了，如果特征数非常多，则可以灵活地使用上述其它取值来控制划分时考虑的最大特征数，以控制决策树的生成时间。
2) 决策树的最大深度max_depth：默认可以不输入，如果不输入，则不会限制决策树的深度。一般来说，数据少或者特征少的时候可以不用管这个值。如果训练集样本量大，特征多的情况下，推荐限制这个最大深度，具体的取值取决于数据的分布。常用的可以取10-100之间。
3) 内部节点再划分所需最小样本数min_samples_split：这个值限制了子树继续划分的条件，如果某节点的样本数少于min_samples_split，则不会再进行划分，默认值是2。如果样本量不大，不需要管这个值；如果样本数量级非常大，则推荐增大这个值。
4) 叶子节点最少样本数min_samples_leaf：这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于该值，则会和兄弟节点一起被剪枝。 默认值是1，可以输入最少样本数的整数，或者最少样本数占样本总数的百分比。如果样本量不大，不需要管这个值。如果样本数量级非常大，则推荐增大这个值。
5) 叶子节点最小的样本权重和min_weight_fraction_leaf：这个值限制了叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起被剪枝。 默认值是0，就是不考虑样本权重。一般来说，如果较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时我们就要考虑这个参数了。
6) 最大叶子节点数max_leaf_nodes：通过限制最大叶子节点数，可以防止过拟合，默认值是”None”，即不限制最大的叶子节点数。如果增加了限制，算法会创建在最大叶子节点数内最优的决策树。如果特征不多，可以不用考虑这个值，但是如果特征多的话，需要加以限制，具体的值可以通过交叉验证得到。
7) 节点划分最小不纯度min_impurity_split：这个值限制了决策树的增长，如果某节点的不纯度（基尼系数，均方差）小于这个阈值，则该节点不再生成子节点，也就是说，该节点将成为叶子节点 。一般不推荐改动默认值1e-7。
# 读取Mnist数据集, 测试随机森林(Random Forest)的分类模型
mnistSet = mnist.loadLecunMnistSet()
train_X, train_Y, test_X, test_Y = mnistSet[0], mnistSet[1], mnistSet[2], mnistSet[3]
m, n = np.shape(train_X)
idx = range(m)
np.random.shuffle(idx)
print “\n**********测试RandomForestClassifier类**********”
t = time()
model = RandomForestClassifier(max_features=90, n_estimators=1300, max_depth=30, min_samples_split=4,
min_samples_leaf=1)
# 拟合训练数据集
model.fit(train_X, train_Y)
# 预测训练集
train_Y_hat = model.predict(train_X[idx])
print “训练集精确度: “, accuracy_score(train_Y[idx], train_Y_hat)
# 预测测试集
test_Y_hat = model.predict(test_X)
print “测试集精确度: “, accuracy_score(test_Y, test_Y_hat)
print “总耗时:”, time() - t, “秒”
# 绘制ROC曲线
n_class = len(np.unique(train_Y))
roc.drawROC(n_class, test_Y, test_Y_hat)
# 读取CCPP数据集, 测试随机森林(Random Forest)的回归模型
data = pd.read_excel(“data/CCPP/Folds5x2_pp.xlsx”)
# AT:温度, V:压力, AP:湿度, RH:压强, PE:输出电力
# 样本特征X
X = data[[‘AT’, ‘V’, ‘AP’, ‘RH’]]
# 数据归一化
X = StandardScaler().fit_transform(X)
# 样本输出Y
Y = data[[‘PE’]]
# 划分训练集和测试集，将数据集的70%划入训练集，30%划入测试集
train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.3, random_state=1)
m, n = np.shape(train_X)
idx = range(m)
np.random.shuffle(idx)
print “\n**********测试RandomForestRegressor类**********”
t = time()
model = RandomForestRegressor(oob_score=True, n_estimators=700, max_depth=30, min_samples_split=4,
min_samples_leaf=1)
# 拟合训练数据集
model.fit(train_X, train_Y.values.ravel())
print “袋外分数:”, model.oob_score_
# 预测测试集
test_Y_pred = model.predict(test_X)
print “测试集MSE:”, mean_squared_error(test_Y, test_Y_pred)
print “测试集RMSE:”, np.sqrt(mean_squared_error(test_Y, test_Y_pred))
print “总耗时:”, time() - t, “秒”
1. scikit-learn随机森林类库概述
在scikit-learn中，RandomForestClassifier用于分类，RandomForestRegressor用于回归。RF的变种Extra Trees算法也存在， ExtraTreesClassifier用于分类，ExtraTreesRegressor用于回归。由于RF和Extra Trees的区别较小，调参方法也基本相同，因此本文只介绍RF的调参。
和GBDT的调参类似，RF的参数也包括两部分，第一部分是Bagging框架的参数，第二部分是CART决策树的参数。下面我们就对这些参数进行详细地介绍。
2.
首先介绍RF的Bagging框架的参数。我们将会对比RF和GBDT的异同点。在scikit-learn(sklearn)GBDT算法类库介绍一文中介绍了GBDT框架的参数。GBDT框架的参数比较多，重要的有最大迭代器个数，步长和子采样比例，调参比较费力。但是RF则相对简单，这是因为Bagging框架中的各个弱学习器之间没有依赖关系，这降低了调参的难度。换句话说，要达到同样的调参效果，RF调参的时间要少于GBDT。
下面我们来看看RF的Bagging框架的重要参数，由于RandomForestClassifier和RandomForestRegressor参数绝大部分相同，因此放在一起来介绍。
| 参数 | RandomForestClassifier | RandomForestRegressor |
| n_estimators | 弱学习器的最大迭代次数，或者说最大的弱学习器个数。一般来说n_estimators太小，容易欠拟合，而n_estimators太大，导致计算量也会非常大，并且n_estimators达到一定数量后，再增大n_estimators获得的模型提升会很小，所以一般选择一个适中的数值。默认值是100。 | |
| oob_score | 是否采用袋外样本来评估模型的好坏。默认值是False，推荐设置为True，因为袋外分数反应了一个模型拟合后的泛化能力。 | |
| criterion | CART决策树划分节点时对特征的评价标准。RandomForestClassifier类的可选择项有基尼系数”gini”和信息增益”entropy”，默认值是基尼系数”gini”。 | RandomForestRegressor类的可选择项有均方差”mse”和绝对值差”mae”，默认值是均方差”mse”，一般来说选择默认值就可以了。 |
从上表可以看出，RF框架的重要参数比较少，需要关注的主要是n_estimators，即RF最大的决策树个数。
3.
接下来介绍RF的决策树参数，它的参数和GBDT基本相同。
决策树参数中最重要的包括最大特征数max_features， 最大深度max_depth， 内部节点再划分所需最小样本数min_samples_split和叶子节点最少样本数min_samples_leaf。
4. 使用Mnist数据集测试scikit-learn的RandomForestClassifier
代码如下所示：
—————————————————————————————————
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
from time import time
import numpy as np
import mnist
import roc
if __name__ == “__main__”:
—————————————————————————————————
5. 使用CCPP数据集测试scikit-learn的RandomForestRegressor
代码如下所示：
—————————————————————————————————
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from time import time
import numpy as np
import pandas as pd
if __name__ == “__main__”:
—————————————————————————————————