這篇文章主要介紹了用Python實(shí)現(xiàn)隨機(jī)森林算法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。

擁有高方差使得決策樹(secision

tress)在處理特定訓(xùn)練數(shù)據(jù)集時(shí)其結(jié)果顯得相對(duì)脆弱。bagging(bootstrap aggregating

的縮寫)算法從訓(xùn)練數(shù)據(jù)的樣本中建立復(fù)合模型，可以有效降低決策樹的方差，但樹與樹之間有高度關(guān)聯(lián)(并不是理想的樹的狀態(tài))。

隨機(jī)森林算法(Random forest algorithm)是對(duì)

bagging

算法的擴(kuò)展。除了仍然根據(jù)從訓(xùn)練數(shù)據(jù)樣本建立復(fù)合模型之外，隨機(jī)森林對(duì)用做構(gòu)建樹(tree)的數(shù)據(jù)特征做了一定限制，使得生成的決策樹之間沒有關(guān)聯(lián)，從而提升算法效果。

本教程將實(shí)現(xiàn)如何用 Python 實(shí)現(xiàn)隨機(jī)森林算法。

bagged

decision trees 與隨機(jī)森林算法的差異；

如何構(gòu)建含更多方差的裝袋決策樹；

如何將隨機(jī)森林算法運(yùn)用于預(yù)測(cè)模型相關(guān)的問題。

算法描述

這個(gè)章節(jié)將對(duì)隨機(jī)森林算法本身以及本教程的算法試驗(yàn)所用的聲納數(shù)據(jù)集(Sonar dataset)做一個(gè)簡(jiǎn)要介紹。

隨機(jī)森林算法

決策樹運(yùn)行的每一步都涉及到對(duì)數(shù)據(jù)集中的最優(yōu)分裂點(diǎn)(best split point)進(jìn)行貪婪選擇(greedy

selection)。

這個(gè)機(jī)制使得決策樹在沒有被剪枝的情況下易產(chǎn)生較高的方差。整合通過提取訓(xùn)練數(shù)據(jù)庫(kù)中不同樣本(某一問題的不同表現(xiàn)形式)構(gòu)建的復(fù)合樹及其生成的預(yù)測(cè)值能夠穩(wěn)定并降低這樣的高方差。這種方法被稱作引導(dǎo)聚集算法(bootstrap

aggregating)，其簡(jiǎn)稱 bagging

正好是裝進(jìn)口袋，袋子的意思，所以被稱為「裝袋算法」。該算法的局限在于，由于生成每一棵樹的貪婪算法是相同的，那么有可能造成每棵樹選取的分裂點(diǎn)(split

point)相同或者極其相似，最終導(dǎo)致不同樹之間的趨同(樹與樹相關(guān)聯(lián))。相應(yīng)地，反過來說，這也使得其會(huì)產(chǎn)生相似的預(yù)測(cè)值，降低原本要求的方差。

我們可以采用限制特征的方法來創(chuàng)建不一樣的決策樹，使貪婪算法能夠在建樹的同時(shí)評(píng)估每一個(gè)分裂點(diǎn)。這就是隨機(jī)森林算法(Random

Forest algorithm)。

與裝袋算法一樣，隨機(jī)森林算法從訓(xùn)練集里擷取復(fù)合樣本并訓(xùn)練。其不同之處在于，數(shù)據(jù)在每個(gè)分裂點(diǎn)處完全分裂并添加到相應(yīng)的那棵決策樹當(dāng)中，且可以只考慮用于存儲(chǔ)屬性的某一固定子集。

對(duì)于分類問題，也就是本教程中我們將要探討的問題，其被考慮用于分裂的屬性數(shù)量被限定為小于輸入特征的數(shù)量之平方根。代碼如下：?num_features_for_split = sqrt(total_input_features)

這個(gè)小更改會(huì)讓生成的決策樹各不相同(沒有關(guān)聯(lián))，從而使得到的預(yù)測(cè)值更加多樣化。而多樣的預(yù)測(cè)值組合往往會(huì)比一棵單一的決策樹或者單一的裝袋算法有更優(yōu)的表現(xiàn)。

聲納數(shù)據(jù)集(Sonar dataset)

我們將在本教程里使用聲納數(shù)據(jù)集作為輸入數(shù)據(jù)。這是一個(gè)描述聲納反射到不同物體表面后返回的不同數(shù)值的數(shù)據(jù)集。60

個(gè)輸入變量表示聲納從不同角度返回的強(qiáng)度。這是一個(gè)二元分類問題(binary classification

problem)，要求模型能夠區(qū)分出巖石和金屬柱體的不同材質(zhì)和形狀，總共有 208 個(gè)觀測(cè)樣本。

該數(shù)據(jù)集非常易于理解——每個(gè)變量都互有連續(xù)性且都在 0 到 1

的標(biāo)準(zhǔn)范圍之間，便于數(shù)據(jù)處理。作為輸出變量，字符串'M'表示金屬礦物質(zhì)，'R'表示巖石。二者需分別轉(zhuǎn)換成整數(shù) 1 和 0。

通過預(yù)測(cè)數(shù)據(jù)集(M 或者金屬礦物質(zhì))中擁有最多觀測(cè)值的類，零規(guī)則算法(Zero Rule Algorithm)可實(shí)現(xiàn) 53%

的精確度。

教程

此次教程分為兩個(gè)步驟。

1. 分裂次數(shù)的計(jì)算。

2. 聲納數(shù)據(jù)集案例研究

這些步驟能讓你了解為你自己的預(yù)測(cè)建模問題實(shí)現(xiàn)和應(yīng)用隨機(jī)森林算法的基礎(chǔ)

1. 分裂次數(shù)的計(jì)算

在決策樹中，我們通過找到一些特定屬性和屬性的值來確定分裂點(diǎn)，這類特定屬性需表現(xiàn)為其所需的成本是最低的。

分類問題的成本函數(shù)(cost function)通常是基尼指數(shù)(Gini

index)，即計(jì)算由分裂點(diǎn)產(chǎn)生的數(shù)據(jù)組的純度(purity)。對(duì)于這樣二元分類的分類問題來說，指數(shù)為 0

表示絕對(duì)純度，說明類值被完美地分為兩組。

從一棵決策樹中找到最佳分裂點(diǎn)需要在訓(xùn)練數(shù)據(jù)集中對(duì)每個(gè)輸入變量的值做成本評(píng)估。

在裝袋算法和隨機(jī)森林中，這個(gè)過程是在訓(xùn)練集的樣本上執(zhí)行并替換(放回)的。因?yàn)殡S機(jī)森林對(duì)輸入的數(shù)據(jù)要進(jìn)行行和列的采樣。對(duì)于行采樣，采用有放回的方式，也就是說同一行也許會(huì)在樣本中被選取和放入不止一次。

我們可以考慮創(chuàng)建一個(gè)可以自行輸入屬性的樣本，而不是枚舉所有輸入屬性的值以期找到獲取成本最低的分裂點(diǎn)，從而對(duì)這個(gè)過程進(jìn)行優(yōu)化。

該輸入屬性樣本可隨機(jī)選取且沒有替換過程，這就意味著在尋找最低成本分裂點(diǎn)的時(shí)候每個(gè)輸入屬性只需被選取一次。

如下的代碼所示，函數(shù) get_split()

實(shí)現(xiàn)了上述過程。它將一定數(shù)量的來自待評(píng)估數(shù)據(jù)的輸入特征和一個(gè)數(shù)據(jù)集作為參數(shù)，該數(shù)據(jù)集可以是實(shí)際訓(xùn)練集里的樣本。輔助函數(shù)

test_split() 用于通過候選的分裂點(diǎn)來分割數(shù)據(jù)集，函數(shù) gini_index() 用于評(píng)估通過創(chuàng)建的行組(groups of

rows)來確定的某一分裂點(diǎn)的成本。

以上我們可以看出，特征列表是通過隨機(jī)選擇特征索引生成的。通過枚舉該特征列表，我們可將訓(xùn)練集中的特定值評(píng)估為符合條件的分裂點(diǎn)。?# Select the best split point for a dataset

def get_split(dataset, n_features):

class_values = list(set(row[-1] for row in

dataset))

b_index, b_value, b_score, b_groups = 999, 999,

999, None

features = list()

while len(features) <

n_features:

index = randrange(len(dataset[0])-1)

if index not in features:

features.append(index)

for index in features:

for row in dataset:

groups = test_split(index,

row[index], dataset)

gini = gini_index(groups,

class_values)

if gini <

b_score:

b_index,

b_value, b_score, b_groups = index, row[index], gini, groups

return {'index':b_index, 'value':b_value,

'groups':b_groups}

至此，我們知道該如何改造一棵用于隨機(jī)森林算法的決策樹。我們可將之與裝袋算法結(jié)合運(yùn)用到真實(shí)的數(shù)據(jù)集當(dāng)中。

2. 關(guān)于聲納數(shù)據(jù)集的案例研究

在這個(gè)部分，我們將把隨機(jī)森林算法用于聲納數(shù)據(jù)集。本示例假定聲納數(shù)據(jù)集的 csv 格式副本已存在于當(dāng)前工作目錄中，文件名為

sonar.all-data.csv。

首先加載該數(shù)據(jù)集，將字符串轉(zhuǎn)換成數(shù)字，并將輸出列從字符串轉(zhuǎn)換成數(shù)值 0 和 1. 這個(gè)過程是通過輔助函數(shù)

load_csv()、str_column_to_float() 和 str_column_to_int()

來分別實(shí)現(xiàn)的。

我們將通過 K 折交叉驗(yàn)證(k-fold cross

validatio)來預(yù)估得到的學(xué)習(xí)模型在未知數(shù)據(jù)上的表現(xiàn)。這就意味著我們將創(chuàng)建并評(píng)估 K 個(gè)模型并預(yù)估這 K

個(gè)模型的平均誤差。評(píng)估每一個(gè)模型是由分類準(zhǔn)確度來體現(xiàn)的。輔助函數(shù)

cross_validation_split()、accuracy_metric() 和 evaluate_algorithm()

分別實(shí)現(xiàn)了上述功能。

裝袋算法將通過分類和回歸樹算法來滿足。輔助函數(shù) test_split() 將數(shù)據(jù)集分割成不同的組；gini_index()

評(píng)估每個(gè)分裂點(diǎn)；前文提及的改進(jìn)過的 get_split() 函數(shù)用來獲取分裂點(diǎn)；函數(shù) to_terminal()、split() 和

build_tree() 用以創(chuàng)建單個(gè)決策樹；predict() 用于預(yù)測(cè)；subsample() 為訓(xùn)練集建立子樣本集；

bagging_predict() 對(duì)決策樹列表進(jìn)行預(yù)測(cè)。

新命名的函數(shù) random_forest() 首先從訓(xùn)練集的子樣本中創(chuàng)建決策樹列表，然后對(duì)其進(jìn)行預(yù)測(cè)。

正如我們開篇所說，隨機(jī)森林與決策樹關(guān)鍵的區(qū)別在于前者在建樹的方法上的小小的改變，這一點(diǎn)在運(yùn)行函數(shù) get_split()

得到了體現(xiàn)。

完整的代碼如下：?# Random Forest Algorithm on Sonar Dataset

from random import seed

from random import randrange

from csv import reader

from math import sqrt

# Load a CSV file

def load_csv(filename):

dataset = list()

with open(filename, 'r') as file:

csv_reader = reader(file)

for row in csv_reader:

if not row:

continue

dataset.append(row)

return dataset

# Convert string column to float

def str_column_to_float(dataset, column):

for row in dataset:

row[column] = float(row[column].strip())

# Convert string column to integer

def str_column_to_int(dataset, column):

class_values = [row[column] for row in

dataset]

unique = set(class_values)

lookup = dict()

for i, value in enumerate(unique):

lookup[value] = i

for row in dataset:

row[column] = lookup[row[column]]

return lookup

# Split a dataset into k folds

def cross_validation_split(dataset, n_folds):

dataset_split = list()

dataset_copy = list(dataset)

fold_size = len(dataset) / n_folds

for i in range(n_folds):

fold = list()

while len(fold) <

fold_size:

index =

randrange(len(dataset_copy))

fold.append(dataset_copy.pop(index))

dataset_split.append(fold)

return dataset_split

# Calculate accuracy percentage

def accuracy_metric(actual, predicted):

correct = 0

for i in range(len(actual)):

if actual[i] == predicted[i]:

correct = 1

return correct / float(len(actual)) * 100.0

# Evaluate an algorithm using a cross validation split

def evaluate_algorithm(dataset, algorithm, n_folds, *args):

folds = cross_validation_split(dataset,

n_folds)

scores = list()

for fold in folds:

train_set =a list(folds)

train_set.remove(fold)

train_set = sum(train_set, [])

test_set = list()

for row in fold:

row_copy = list(row)

test_set.append(row_copy)

row_copy[-1] = None

predicted = algorithm(train_set, test_set,

*args)

actual = [row[-1] for row in fold]

accuracy = accuracy_metric(actual,

predicted)

scores.append(accuracy)

return scores

# Split a dataset based on an attribute and an attribute

value

def test_split(index, value, dataset):

left, right = list(), list()

for row in dataset:

if row[index] < value:

left.append(row)

else:

right.append(row)

return left, right

# Calculate the Gini index for a split dataset

def gini_index(groups, class_values):

gini = 0.0

for class_value in class_values:

for group in groups:

size = len(group)

if size == 0:

continue

proportion = [row[-1] for row

in group].count(class_value) / float(size)

gini = (proportion * (1.0 -

proportion))

return gini

# Select the best split point for a dataset

def get_split(dataset, n_features):

class_values = list(set(row[-1] for row in

dataset))

b_index, b_value, b_score, b_groups = 999, 999,

999, None

features = list()

while len(features) <

n_features:

index = randrange(len(dataset[0])-1)

if index not in features:

features.append(index)

for index in features:

for row in dataset:

groups = test_split(index,

row[index], dataset)

gini = gini_index(groups,

class_values)

if gini <

b_score:

b_index,

b_value, b_score, b_groups = index, row[index], gini, groups

return {'index':b_index, 'value':b_value,

'groups':b_groups}

# Create a terminal node value

def to_terminal(group):

outcomes = [row[-1] for row in group]

return max(set(outcomes),

key=outcomes.count)

# Create child splits for a node or make terminal

def split(node, max_depth, min_size, n_features, depth):

left, right = node['groups']

del(node['groups'])

# check for a no split

if not left or not right:

node['left'] = node['right'] = to_terminal(left

right)

return

# check for max depth

if depth >= max_depth:

node['left'], node['right'] = to_terminal(left),

to_terminal(right)

return

# process left child

if len(left) <= min_size:

node['left'] = to_terminal(left)

else:

node['left'] = get_split(left, n_features)

split(node['left'], max_depth, min_size,

n_features, depth 1)

# process right child

if len(right) <= min_size:

node['right'] = to_terminal(right)

else:

node['right'] = get_split(right,

n_features)

split(node['right'], max_depth, min_size,

n_features, depth 1)

# Build a decision tree

def build_tree(train, max_depth, min_size, n_features):

root = get_split(dataset, n_features)

split(root, max_depth, min_size, n_features,

1)

return root

# Make a prediction with a decision tree

def predict(node, row):

if row[node['index']] <

node['value']:

if isinstance(node['left'], dict):

return predict(node['left'],

row)

else:

return node['left']

else:

if isinstance(node['right'], dict):

return predict(node['right'],

row)

else:

return node['right']

# Create a random subsample from the dataset with replacement

def subsample(dataset, ratio):

sample = list()

n_sample = round(len(dataset) * ratio)

while len(sample) <

n_sample:

index = randrange(len(dataset))

sample.append(dataset[index])

return sample

# Make a prediction with a list of bagged trees

def bagging_predict(trees, row):

predictions = [predict(tree, row) for tree in

trees]

return max(set(predictions),

key=predictions.count)

# Random Forest Algorithm

def random_forest(train, test, max_depth, min_size, sample_size,

n_trees, n_features):

trees = list()

for i in range(n_trees):

sample = subsample(train, sample_size)

tree = build_tree(sample, max_depth, min_size,

n_features)

trees.append(tree)

predictions = [bagging_predict(trees, row) for

row in test]

return(predictions)

# Test the random forest algorithm

seed(1)

# load and prepare data

filename = 'sonar.all-data.csv'

dataset = load_csv(filename)

# convert string attributes to integers

for i in range(0, len(dataset[0])-1):

str_column_to_float(dataset, i)

# convert class column to integers

str_column_to_int(dataset, len(dataset[0])-1)

# evaluate algorithm

n_folds = 5

max_depth = 10

min_size = 1

sample_size = 1.0

n_features = int(sqrt(len(dataset[0])-1))

for n_trees in [1, 5, 10]:

scores = evaluate_algorithm(dataset,

random_forest, n_folds, max_depth, min_size, sample_size, n_trees,

n_features)

print('Trees: %d' % n_trees)

print('Scores: %s' % scores)

print('Mean Accuracy: %.3f%%' %

(sum(scores)/float(len(scores))))

這里對(duì)第 197 行之后對(duì)各項(xiàng)參數(shù)的賦值做一個(gè)說明。

將 K 賦值為 5 用于交叉驗(yàn)證，得到每個(gè)子樣本為 208/5 = 41.6，即超過 40

條聲納返回記錄會(huì)用于每次迭代時(shí)的評(píng)估。

每棵樹的最大深度設(shè)置為 10，每個(gè)節(jié)點(diǎn)的最小訓(xùn)練行數(shù)為 1.

創(chuàng)建訓(xùn)練集樣本的大小與原始數(shù)據(jù)集相同，這也是隨機(jī)森林算法的默認(rèn)預(yù)期值。

我們把在每個(gè)分裂點(diǎn)需要考慮的特征數(shù)設(shè)置為總的特征數(shù)目的平方根，即 sqrt(60)=7.74，取整為 7。

將含有三組不同數(shù)量的樹同時(shí)進(jìn)行評(píng)估，以表明添加更多的樹可以使該算法實(shí)現(xiàn)的功能更多。

最后，運(yùn)行這個(gè)示例代碼將會(huì) print

出每組樹的相應(yīng)分值以及每種結(jié)構(gòu)的平均分值。如下所示：?Trees: 1

Scores: [68.29268292682927, 75.60975609756098, 70.73170731707317,

63.41463414634146, 65.85365853658537]

Mean Accuracy: 68.780%

Trees: 5

Scores: [68.29268292682927, 68.29268292682927, 78.04878048780488,

65.85365853658537, 68.29268292682927]

Mean Accuracy: 69.756%

Trees: 10

Scores: [68.29268292682927, 78.04878048780488, 75.60975609756098,

70.73170731707317, 70.73170731707317]

Mean Accuracy: 72.683%

擴(kuò)展

本節(jié)會(huì)列出一些與本次教程相關(guān)的擴(kuò)展內(nèi)容。大家或許有興趣一探究竟。

算法調(diào)校(Algorithm

Tuning)。本文所用的配置參數(shù)或有未被修正的錯(cuò)誤以及有待商榷之處。用更大規(guī)模的樹，不同的特征數(shù)量甚至不同的樹的結(jié)構(gòu)都可以改進(jìn)試驗(yàn)結(jié)果。

更多問題。該方法同樣適用于其他的分類問題，甚至是用新的成本計(jì)算函數(shù)以及新的組合樹的預(yù)期值的方法使其適用于回歸算法。

回顧總結(jié)

通過本次教程的探討，你知道了隨機(jī)森林算法是如何實(shí)現(xiàn)的，特別是：

隨機(jī)森林與裝袋決策樹的區(qū)別。

如何用決策樹生成隨機(jī)森林算法。

如何將隨機(jī)森林算法應(yīng)用于解決實(shí)際操作中的預(yù)測(cè)模型問題。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助

總結(jié)

以上是生活随笔為你收集整理的随机森林python实例_用Python实现随机森林算法的示例的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。