参考：
1、《Python机器学习：预测分析核心算法》 Michael Bowles P251-P258
1 import numpy 2 3 #以前使用train_test_split构建训练和测试集， 但目前train_test_split已被cross_validation被废弃了 4 #from sklearn.cross_validation import train_test_split 5 #现在改为从 sklearn.model_selection 中调用train_test_split 函数可以解决此问题 6 #感谢“简书 Junes_K” https://www.jianshu.com/p/d746c9e10b2f 7 from sklearn.model_selection import train_test_split 8 9 #可以构建sklearn.ensemble.RandomForestRegressor对象 10 from sklearn import ensemble 11 12 #用mean_squared_error来计算预测均方误差 13 from sklearn.metrics import mean_squared_error 14 15 import pylab as plot 16 17 # 从本机读取数据 18 target_file = open('winequality-red.csv','r') 19 data = target_file.readlines() 20 target_file.close() 21 22 #整理原始数据，将原始数据分为属性列表（xList），标签列表（labels） 23 #将各个属性的名称存入names列表 24 xList = [] 25 labels = [] 26 names = [] 27 firstLine = True 28 for line in data: 29 if firstLine: 30 names = line.strip().split(";") 31 firstLine = False 32 else: 33 #split on semi-colon 34 row = line.strip().split(";") 35 #put labels in separate array 36 labels.append(float(row[-1])) 37 #remove label from row 38 row.pop() 39 #convert row to floats 40 floatRow = [float(num) for num in row] 41 xList.append(floatRow) 42 43 #计算属性列表的行数和列数 44 nrows = len(xList) 45 ncols = len(xList[0]) 46 47 #将各列表转为numpy数组形式，此形式是RandomForestRegressor的要求 48 #并且这些对象可以使用sklearn的train_test_split构建训练和测试集 49 X = numpy.array(xList) 50 y = numpy.array(labels) 51 wineNames = numpy.array(names) 52 53 #构建test集为30%规模的训练集和测试集 54 #random_state设置为一个特殊整数，而不是让随机数生成器自己选择一个不可重复的内部值 55 #这样重复代码可以获得同样的结果，便于开发阶段的调整，否则随机性会掩盖所做的改变 56 #固定random_state就固定了测试集，会对测试数据集过度训练 57 xTrain, xTest, yTrain, yTest = train_test_split(X, y, test_size=0.30, random_state=531) 58 59 #train random forest at a range of ensemble sizes in order to see how the mse changes 60 mseOos = [] 61 nTreeList = range(50, 500, 10) 62 for iTrees in nTreeList: 63 depth = None 64 maxFeat = 4 65 #https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html#sklearn.ensemble.RandomForestRegressor 66 #初始化RandomForestRegressor对象 67 #通过n_estimators = iTrees(属于nTreeList）来确定决策树的数目，这里是从50到500，每隔10的整数 68 #max_depth = depth为None，决策树会持续增长，直到叶子节点为空或者所含数据小于min_sample_split 69 #这里min_sample_split使用了缺省值（为2），当节点含有的数据小于其时，此节点不再分割 70 #max_features = maxFeat，从而保证每次随机考虑四个属性，而不是要考虑全部属性，否则就是Bagging方法了 71 #oob_score = False，不使用袋外样本估算看不见的数据的（有的不明白），缺省值为False 72 wineRFModel = ensemble.RandomForestRegressor(n_estimators=iTrees, max_depth=depth, max_features=maxFeat,random_state=531) 73 74 #调用fit()方法，训练数据集作为输入参数 75 wineRFModel.fit(xTrain,yTrain) 76 77 #调用predict()进行预测，输入时测试集的数据 78 prediction = wineRFModel.predict(xTest) 79 #将预测值与测试集中的标签比较，用mean_squared_error来计算预测均方误差 80 mseOos.append(mean_squared_error(yTest, prediction)) 81 82 #打印最后一个均方误差，这里并不代表最小值 83 #随机森林产生近乎独立的预测，然后取它们的平均值。因为为平均值，增加更多的决策树不会导致过度拟合。 84 print("MSE" ) 85 print(mseOos[-1])
程序运行后得到：
MSE 0.318127065111759
1 #plot training and test errors vs number of trees in ensemble 2 plot.figure(figsize=(12,8)) 3 plot.plot(nTreeList, mseOos) 4 plot.xlabel('Number of Trees in Ensemble') 5 plot.ylabel('Mean Squared Error') 6 plot.show() 7 8 #从下图也可以看出最后一个均方差并不是最小值，最小值是统计上的波动造成的，不是可以重复的最小值。 9 #同时曲线展示了随机森林算法的减少方差的特性 10 #原书上的：随着决策树数目增加，预测误差在下降，曲线波动也在减小（本例中不是太明显）
程序运行后得到：
1 # feature_importances是一个数组，数组长度等于属性的个数 2 #数组中的值为正的浮点数，表面对应属性对预测结果的重要性 3 featureImportance = wineRFModel.feature_importances_ 4 5 #对属性重要性归一化，按照属性重要程度排序 6 featureImportance = featureImportance / featureImportance.max() 7 8 sorted_idx = numpy.argsort(featureImportance) 9 barPos = numpy.arange(sorted_idx.shape[0]) + .5 10 plot.figure(figsize=(12,6)) 11 plot.barh(barPos, featureImportance[sorted_idx], align='center') 12 plot.yticks(barPos, wineNames[sorted_idx]) 13 plot.xlabel('Variable Importance') 14 plot.subplots_adjust(left=0.2, right=0.9, top=0.9, bottom=0.1) 15 plot.show()
程序运行后得到：
