使用 Scikit-learn 理解随机森林

在我以前的一篇文章（https://blog.datadive.net/interpreting-random-forests/）中，我讨论了随机森林如何变成一个「白箱子」，这样每次预测就能被分解为各项特征的贡献和，即预测=偏差+特征 1 贡献+ ... +特征 n 贡献。

我的一些代码包正在做相关工作，然而，大多数随机森林算法包（包括 scikit-learn）并没有给出预测过程的树路径。因此 sklearn 的应用需要一个补丁来展现这些路径。幸运的是，从 0.17 版本的 scikit-learn 开始，在 api 中有两个新增功能，这使得这个过程相对而言比较容易理解 ： 获取用于预测的所有叶子节点的 id ，并存储所有决策树的所有节点中间值，而不仅仅只存叶子节点的。通过这些，我们可以提取每个单独预测的树路径，并通过检查路径来分解这些预测过程。

闲话少说，代码托管在 github（https://github.com/andosa/treeinterpreter） ，你也可以通过 pip install treeinterpreter 来获取。

注意：这需要 0.17 版本的 scikit-learn ，你可以通过访问  http://scikit-learn.org/stable/install.html#install-bleeding-edge 这个网址来进行安装。

 

  使用 treeinterpreter 分解随机森林

首先我们将使用一个简单的数据集，来训练随机森林模型。在对测试集的进行预测的同时我们将对预测值进行分解。

from treeinterpreter import treeinterpreter as ti
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
import numpy as np

from sklearn.datasets import load_boston
boston = load_boston()
rf = RandomForestRegressor()
rf.fit(boston.data[:300], boston.target[:300])

从模型中任意选择两个产生不同价格预测的数据点

instances = boston.data[[300, 309]]
print "Instance 0 prediction:", rf.predict(instances[0])
print "Instance 1 prediction:", rf.predict(instances[1])

对于这两个数据点，随机森林给出了差异很大的预测值。为什么呢？我们现在可以将预测值分解成偏差项（就是训练集的均值）和单个特征贡献值，以便于观察究竟哪些特征项造成了差异，差异程度有多大。

我们可以简单地使用 treeinterpreter 中 predict 方法，向其传入模型和数据作为参数。

prediction, bias, contributions = ti.predict(rf, instances)

将表格打印出来

for i in range(len(instances)):
   print "Instance", i
   print "Bias (trainset mean)", biases[i]
   print "Feature contributions:"
   for c, feature in sorted(zip(contributions[i], 
                                boston.feature_names), 
                            key=lambda x: -abs(x[0])):
       print feature, round(c, 2)
   print "-"*20

各个特征的贡献度按照绝对值从大到小排序。我们观察到第一个样本的预测结果较高，正贡献值主要来自 RM 、LSTAT 和 PTRATIO。第二个样本的预测值则低得多，因为 RM 实际上对预测值有着很大的负影响，而且这个影响并没有被其他正效应所补偿，因此低于数据集的均值。

但是这个分解真的是对的么？这很容易检查：偏差和各个特征的贡献值加起来需要等于预测值。

print prediction
print biases + np.sum(contributions, axis=1)
[ 30.76 22.41]
[ 30.76 22.41]

请注意，在把贡献值相加时，我们需要对浮点数进行处理，所以经过四舍五入处理后的值可能略有不同。  

 

  比较两个数据集

在对比两个数据集时，这个方法将会很有用。例如

理解导致两个预测值不同的真实原因，究竟是什么导致了房价在两个社区的预测值不同 。  

调试模型或者数据，理解为什么新数据集的平均预测值与旧数据集所得到的结果不同。  

还是上面这个例子，我们把房价数据的测试集再一分为二，分别计算它们的平均预测价值。

ds1 = boston.data[300:400]
ds2 = boston.data[400:]

print np.mean(rf.predict(ds1))
print np.mean(rf.predict(ds2))
22.1912
18.4773584906

我们发现两个数据集的平均预测值完全不同。现在我们就来看看导致差异的因素：究竟哪些特征造成了差异，差异程度有多大。

prediction1, bias1, contributions1 = ti.predict(rf, ds1)
prediction2, bias2, contributions2 = ti.predict(rf, ds2)

我们再来计算每一维特征的平均贡献程度。

totalc1 = np.mean(contributions1, axis=0) 
totalc2 = np.mean(contributions2, axis=0)

因为两个测试集的偏差都是相同的（因为它们来自同一个训练集），那么两者平均预测值的不同主要是因为特征的贡献值不同。换句话说， 特征贡献差异的总和应该与平均预测的差异相等，这个很容易进行验证。  

print np.sum(totalc1 - totalc2)
print np.mean(prediction1) - np.mean(prediction2)

3.71384150943
3.71384150943

最后，我们把每一维特征贡献的差异之和打印出来，这正好就是平均预测值的差异。 

for c, feature in sorted(zip(totalc1 - totalc2, 
                            boston.feature_names), reverse=True):
   print feature, round(c, 2)

  分类树和森林

同样的方法也能用于分类树，查看特征对某个类别的预测概率值的影响力。 
我们可以使用 iris 数据集做演示。

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
iris = load_iris()

rf = RandomForestClassifier(max_depth = 4)
idx = range(len(iris.target))
np.random.shuffle(idx)

rf.fit(iris.data[idx][:100], iris.target[idx][:100])

对一个独立样本做预测。

instance = iris.data[idx][100:101]
print rf.predict_proba(instance)

拆分每一维特征的贡献值

prediction, bias, contributions = ti.predict(rf, instance)
print "Prediction", prediction
print "Bias (trainset prior)", bias
print "Feature contributions:"
for c, feature in zip(contributions[0], 
                            iris.feature_names):
   print feature, c

我们可以看到，对第二类预测能力最强的特征是花瓣长度和宽度，它们极大提高了预测的概率值。

  总结

对随机森林预测值的理解其实是很简单的,与理解线性模型的难度相同。通过使用 treeinterpreter (pip install treeinterpreter），简单的几行代码就可以解决问题。

非常感谢阅读本文！

原文链接：

https://blog.datadive.net/random-forest-interpretation-with-scikit-learn