随机森林算法&python应用

随机森林算法

决策树算法可以很容易的将模型进行可视化，同时它是将每个样本特征进行单独处理，故而不需要的对数据进行转换。但是决策树会很容易出现过拟合，为了避免过拟合现象，可以使用集合学习的方法，像：随机森林算法。

随机森林又被称为：随机决策森林，是一种集合学习方法（参见下图），既可以用于分类，也可以用作回归。分类：在森林内部会进行“投票”，每棵树预测出数据类别的概率，随机森林会把这些概率值求平均，让后将样本放入概率最大的分类中。回归：随机森林会把所有决策树预测的值取平均数。

随机森林算法之所以可以解决过拟合问题：因为随机森林是把不同的几棵决策树打包到一起，每棵树的参数都不相同，然后我们把每棵树预测的结果取平均值，这样不仅可以保留决策树工作的高效，又可以降低过拟合的风险。

随机森林算法可以大致分为两个步骤：第一，创建决策树，第二，根据第一步中决策树的分类器结果做出预测。随机森林算法与决策树算法之间的区别是：前者查找根节点和分割特征节点的过程是随机进行的。

• 构建过程：

（1）数据的随机选取，若训练集中有$N$N个样本，又放回的随机抽取$n$n个。这$n$n个样本就作为生成该决策树的训练集。

（2）特征的随机选取，对于每个样本，如果有$M$M个输入变量（特征），指定一个常数$m$m,然后随机的从$M$M中选取$m$m个最优的分裂特征开分裂节点。

• 预测过程：

（1）使用每一个随机创建的决策树的规则来测试特征的结果（标签）

（2）计算每个预测目标的票数

（3）获得票数最高的结果将作为随机森林算法的最终预测。

注：随机森林算法也不要求对数据进行预处理，同时支持并行处理。此外，随机森林生成每一棵决策树的方法是随机的，则不同的random_state参数会导致模型完全不同，所以为了模型的相对稳定，要固化random_state这个参数的值。但是！！！随机森林，对于高维数据集、稀疏数据集来说，很不适应。

构建决策树

author by xiaoyao

# 导入libraries
import numpy as np
# 导入画图工具
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
# 导入tree模型和数据集加载工具
from sklearn import datasets
from sklearn.ensemble import RandomForestClassifier
# 导入数据集拆分工具
from sklearn.model_selection import train_test_split
wine = datasets.load_wine()
# 这里只选取数据集的前两个特征
X = wine.data[:,:2]
y = wine.target
# 将数据集划分为训练集个测试集
X_train, X_test, y_train, y_test = train_test_split(X, y)

# 忽略警告
import warnings
warnings.filterwarnings("ignore")

# 暂时设定随机森林中有6棵树
forest = RandomForestClassifier(n_estimators=6, random_state=3)
# 使用模型拟合数据
forest.fit(X_train, y_train)

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
                       max_depth=None, max_features='auto', max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators=6,
                       n_jobs=None, oob_score=False, random_state=3, verbose=0,
                       warm_start=False)

其中，bootstrap参数：代表的是bootstrap sample。也就是又放回抽样，bootstrap生成的数据集和原始数据集在数据量上是一致的，但由于进行了重复采样，因此其中有一些数据点会丢失。通过重新生成数据集，可以让随机森林中的每一棵决策树在构建的时候，彼此之间有差异。max_features的取值越高，随机森林中的每一棵树就会"越相似"，从而因为有更多的不同特征值可以取，也就会更容易取拟合数据。

# 定义图像中分区的颜色和散点的颜色
cmap_light = ListedColormap(["#FFAAAA", "#AAFFAA", "#AAAAFF"])
cmap_bold = ListedColormap(["#FF0000", "#00FF00", "#0000FF"])

# 分别用样本的两个特征值创建图像和横轴、纵轴
x_min, x_max = X_train[:,0].min() - 1, X_train[:,0].max() + 1
y_min, y_max = X_train[:,1].min() - 1, X_train[:,1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, .02),np.arange(y_min, y_max, .02))
z = forest.predict(np.c_[xx.ravel(), yy.ravel()])
# 给每个分类中的样本分配不同的颜色
z = z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx, yy, z, cmap=cmap_light)

# 使用散点图进行表示
plt.scatter(X[:,0], X[:,1], c=y, cmap=cmap_bold, edgecolor="k",s=20)
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("Classifier:(max_depth = 3)")
plt.show()

随机森林实例

author by xiaoyao

# 导入相应的libraries
import pandas as pd
from sklearn import tree
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
# 忽略警告
import warnings
warnings.filterwarnings("ignore")

# 导入数据集，数据集下载地址：http://archive.ics.uci.edu/ml/machine-learning-databases/adult/
# 原始数据无列名（属性名）
data = pd.read_csv("./datasets/adult.csv", header=None,index_col=False,
                  names=['年龄','单位性质','权重','学历','受教育时常',
                         '婚姻状况','职业','家庭情况','种族','性别',
                         '资产所得','资产损失','周工作时长','原籍','收入'])
data.head()

	年龄	单位性质	权重	学历	受教育时常	婚姻状况	职业	家庭情况	种族	性别	资产所得	资产损失	周工作时长	原籍	收入
0	39	State-gov	77516	Bachelors	13	Never-married	Adm-clerical	Not-in-family	White	Male	2174	0	40	United-States	<=50K
1	50	Self-emp-not-inc	83311	Bachelors	13	Married-civ-spouse	Exec-managerial	Husband	White	Male	0	0	13	United-States	<=50K
2	38	Private	215646	HS-grad	9	Divorced	Handlers-cleaners	Not-in-family	White	Male	0	0	40	United-States	<=50K
3	53	Private	234721	11th	7	Married-civ-spouse	Handlers-cleaners	Husband	Black	Male	0	0	40	United-States	<=50K
4	28	Private	338409	Bachelors	13	Married-civ-spouse	Prof-specialty	Wife	Black	Female	0	0	40	Cuba	<=50K

import pandas_profiling
rep = pandas_profiling.ProfileReport(data)

# 将生成的数据分析报告保存至本地html文件
rep.to_file("./rep.html")

报告具体形式:



$\vdots$⋮

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 32561 entries, 0 to 32560
Data columns (total 15 columns):
年龄       32561 non-null int64
单位性质     32561 non-null object
权重       32561 non-null int64
学历       32561 non-null object
受教育时常    32561 non-null int64
婚姻状况     32561 non-null object
职业       32561 non-null object
家庭情况     32561 non-null object
种族       32561 non-null object
性别       32561 non-null object
资产所得     32561 non-null int64
资产损失     32561 non-null int64
周工作时长    32561 non-null int64
原籍       32561 non-null object
收入       32561 non-null object
dtypes: int64(6), object(9)
memory usage: 3.7+ MB

可以看到在数据集中，很多的列取值都是字符串，不方便进行建模。我将其处理为：整型数值，操作如下：

# 使用get_dummies将文本数据转化为数值
data_dummies = pd.get_dummies(data)
# 分别输出原始特征和处理之后的特征
print("原始特征:",(data.columns))
print("处理后的特征:",(data_dummies.columns))

原始特征: Index(['年龄', '单位性质', '权重', '学历', '受教育时常', '婚姻状况', '职业', '家庭情况', '种族', '性别',
       '资产所得', '资产损失', '周工作时长', '原籍', '收入'],
      dtype='object')
处理后的特征: Index(['年龄', '权重', '受教育时常', '资产所得', '资产损失', '周工作时长', '单位性质_ ?',
       '单位性质_ Federal-gov', '单位性质_ Local-gov', '单位性质_ Never-worked',
       ...
       '原籍_ Scotland', '原籍_ South', '原籍_ *', '原籍_ Thailand',
       '原籍_ Trinadad&Tobago', '原籍_ United-States', '原籍_ Vietnam',
       '原籍_ Yugoslavia', '收入_ <=50K', '收入_ >50K'],
      dtype='object', length=110)

data.head()

	年龄	单位性质	权重	学历	受教育时常	婚姻状况	职业	家庭情况	种族	性别	资产所得	资产损失	周工作时长	原籍	收入
0	39	State-gov	77516	Bachelors	13	Never-married	Adm-clerical	Not-in-family	White	Male	2174	0	40	United-States	<=50K
1	50	Self-emp-not-inc	83311	Bachelors	13	Married-civ-spouse	Exec-managerial	Husband	White	Male	0	0	13	United-States	<=50K
2	38	Private	215646	HS-grad	9	Divorced	Handlers-cleaners	Not-in-family	White	Male	0	0	40	United-States	<=50K
3	53	Private	234721	11th	7	Married-civ-spouse	Handlers-cleaners	Husband	Black	Male	0	0	40	United-States	<=50K
4	28	Private	338409	Bachelors	13	Married-civ-spouse	Prof-specialty	Wife	Black	Female	0	0	40	Cuba	<=50K

data_dummies.head()

	年龄	权重	受教育时常	资产所得	资产损失	周工作时长	单位性质_ ?	单位性质_ Federal-gov	单位性质_ Local-gov	单位性质_ Never-worked	...	原籍_ Scotland	原籍_ South	原籍_ *	原籍_ Thailand	原籍_ Trinadad&Tobago	原籍_ United-States	原籍_ Vietnam	原籍_ Yugoslavia	收入_ <=50K	收入_ >50K
0	39	77516	13	2174	0	40	0	0	0	0	...	0	0	0	0	0	1	0	0	1	0
1	50	83311	13	0	0	13	0	0	0	0	...	0	0	0	0	0	1	0	0	1	0
2	38	215646	9	0	0	40	0	0	0	0	...	0	0	0	0	0	1	0	0	1	0
3	53	234721	7	0	0	40	0	0	0	0	...	0	0	0	0	0	1	0	0	1	0
4	28	338409	13	0	0	40	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0

5 rows × 110 columns

将各列分配给特征向量$X$X和分类标签$y$y

# 定义数据集的特征值
features = data_dummies.loc[:, '年龄':'原籍_ Yugoslavia']
X = features.values
# 将收入大于50k作为预测的目标
y = data_dummies['收入_ >50K'].values
# 输出特征与标签的形态
print("特征形态:{} 标签形态:{}".format(X.shape, y.shape))

特征形态:(32561, 108) 标签形态:(32561,)

# 先使用决策数模型进行预测
# 将数据拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state = 1)
# 设最大深度为5
dt_tree =tree.DecisionTreeClassifier(max_depth=5)
dt_tree.fit(X_train, y_train)
dt_tree.score(X_test, y_test)

0.8550546615894853

# 使用交叉验证,平均水平依然接近上面的
from sklearn.model_selection import cross_val_score
scores = cross_val_score(dt_tree, X, y, cv=20,scoring='accuracy')
print(scores)
print(scores.mean())

[0.83977901 0.84275184 0.8482801  0.84336609 0.85012285 0.8531941
 0.82555283 0.84398034 0.8458231  0.85380835 0.85995086 0.83783784
 0.85257985 0.84889435 0.86425061 0.85257985 0.8507371  0.86302211
 0.84766585 0.84643735]
0.8485307193180122

# 使用随机森林算法
forest = RandomForestClassifier(n_estimators = 5,random_state=0)
forest.fit(X_train, y_train)
forest.score(X_test, y_test)

0.8431396634320109

# 使用交叉验证
scores = cross_val_score(forest, X, y,cv=5,scoring='accuracy')
print(scores)
print(scores.mean())

[0.82320442 0.83968059 0.83230958 0.84336609 0.82862408 0.85012285
 0.82678133 0.8458231  0.84336609 0.83108108 0.83722359 0.83046683
 0.84336609 0.83599509 0.8482801  0.84213759 0.84766585 0.85257985
 0.83169533 0.84459459]
0.8389182062524604