一、什么是隨機森林

前面我們已經介紹了決策樹的基本原理和使用。但是決策樹有一個很大的缺陷：因為決策樹會非常細致地劃分樣本，如果決策樹分得太多細致，會導致其在訓練集上出現(xiàn)過擬合，而如果決策樹粗略地劃分樣本，又不能很好地擬合樣本。

為了解決這個兩難困境，聰明的專家們想出了這樣的思路：既然我增加單棵樹的深度會適得其反，那不如我不追求一個樹有多高的精確度，而是訓練多棵這樣的樹來一塊預測，一棵樹的力量再大，也是有限的，當他們聚成一個集體，它的力量可能是難以想象的，也就是我們常說的：“三個臭皮匠賽過諸葛亮”。這便是集成學習的思想。

這里多提一句，正是因為每棵樹都能夠用比較簡單的方法細致地擬合樣本，我們可以多用幾棵樹來搭建準確率更高的算法，后邊要說到的一些工業(yè)級的算法，比如GBDT、XGBOOST、LGBM都是以決策樹為積木搭建出來的。

所以在學習這些算法的過程中，我們也要把決策樹算法看成一塊塊積木，學完了基本的積木算法之后，對于現(xiàn)在常用的那幾個工業(yè)級的算法，只需要理清兩個問題：

1）這個算法利用了哪個集成學習思想

2）這個算法具體怎么把這個思想實現(xiàn)出來的。

隨機森林就是決策樹們基于bagging集成學習思想搭建起來的。

隨機森林的算法實現(xiàn)思路非常簡單，只需要記住一句口訣：抽等量樣本，選幾個特征，構建多棵樹。

下面，我們詳細解釋這個口訣的含義：

1）抽等量樣本

隨機森林訓練每棵樹之前，都會從訓練集中隨機抽出一部分樣本來訓練。所以說訓練每棵樹用到的樣本其實都是有差別的，這樣就保證了不同的樹可以重點學習不同的樣本。而為了達到抽等量樣本的目的，抽樣方式一般是有放回的抽樣，也就是說，在訓練某棵樹的時候，這一次被抽到的樣本會被放回數據集中，下一次還可能被抽到，因此，原訓練集中有的樣本會多次被抽出用來訓練，而有的樣本可能不會被使用到。

但是不用擔心有的樣本沒有用到，只要訓練的樹的棵數足夠多，大多數訓練樣本總會被取到的。有極少量的樣本成為漏網之魚也不用擔心，后邊我們會篩選他們出來用來測試模型。

2）選幾個特征

在訓練某棵樹的時候，也不是將樣本的所有特征都用來訓練，而是會隨機選擇一部分特征用來訓練。這樣做的目的就是讓不同的樹重點關注不同的特征。在scikit-learn中，用“max_features”這個參數來控制訓練每棵樹選取的樣本數。

3）構建多棵樹。

通過1）、2）兩個步驟，訓練多棵樹。魯迅曾經說過：世界上本沒有森林，長得樹多了，就成了森林。正是一棵棵決策樹構成了整個隨機森林。具體構建樹的數量，在scikit-learn中，用“n_estimators”這個參數來控制。

那最終的預測結果怎么得到呢？隨機森林是非常民主的算法，最終的結果由每棵決策樹綜合給出：如果是分類問題，那么對于每個測試集，樹都會預測出一個類別進行投票，最終統(tǒng)計票數多的那個類別為最終類別。看看，這算法儼然是一個遵循：“少數服從多數”的原則的小型民主社會；如果是回歸問題，那就更簡單了，各個樹得到的結果相加求得一個平均值為最終回歸結果。

從上邊的流程中可以看出，隨機森林的隨機性主要體現(xiàn)在兩個方面：數據集的隨機選取、每棵樹所使用特征的隨機選取。以上兩個隨機性使得隨機森林中的決策樹都能夠彼此不同，提升系統(tǒng)的多樣性，從而提升分類性能。

二、隨機森林的特點

以上就是隨機森林的構建原理，下面，我們說說隨機森林算法的優(yōu)缺點：

1、優(yōu)點：

1）實現(xiàn)簡單，泛化能力強，可以并行實現(xiàn)，因為訓練時樹與樹之間是相互獨立的；

2）相比單一決策樹，能學習到特征之間的相互影響，且不容易過擬合；

3）能直接特征很多的高維數據，因為在訓練過程中依舊會從這些特征中隨機選取部分特征用來訓練；

4）相比SVM，不是很怕特征缺失，因為待選特征也是隨機選取；

5）訓練完成后可以給出特征重要性。當然，這個優(yōu)點主要來源于決策樹。因為決策樹在訓練過程中會計算熵或者是基尼系數，越往樹的根部，特征越重要。

2、缺點

1）在噪聲過大的分類和處理回歸問題時還是容易過擬合；

2）相比于單一決策樹，它的隨機性讓我們難以對模型進行解釋。

三、隨機森林的使用

和決策樹類似，隨機森林同樣可以分為分類森林（RandomForestClassifier ）和回歸森林（RandomForestRegressor），在scikit-lean中調用方式和決策樹相同。

讓我們在手寫識別數據集上實現(xiàn)一個分類森林。

#導入必要的包 from sklearn.ensemble import RandomForestClassifier from sklearn.datasets import load_digits from sklearn.model_selection import train_test_split,GridSearchCV,cross_val_score from sklearn.metrics import accuracy_score import matplotlib.pyplot as plt import numpy as np#導入數據集 data = load_digits() x = data.data y = data.target

用隨機森林訓練并進行交叉驗證：

RF = RandomForestClassifier(random_state = 66) score = cross_val_score(RF,x,y,cv=10).mean() print('交叉驗證得分: %.4f'%score)

輸出：

交叉驗證得分: 0.9278

四、隨機森林調參

一）隨機森林參數介紹

除了和決策樹有的參數之外，對于隨機森林，只需要掌握8個新增的參數即可，我將這8個參數分成三類：

1、用于調參的參數：

• max_features（最大特征數）: 這個參數用來訓練每棵樹時需要考慮的最大特征個數，超過限制個數的特征都會被舍棄，默認為auto。可填入的值有：int值，float（特征總數目的百分比），“auto”/“sqrt”（總特征個數開平方取整）,“l(fā)og2”（總特征個數取對數取整）。默認值為總特征個數開平方取整。值得一提的是，這個參數在決策樹中也有但是不重要，因為其默認為None，即有多少特征用多少特征。為什么要設置這樣一個參數呢？原因如下：考慮到訓練模型會產生多棵樹，如果在訓練每棵樹的時候都用到所有特征，以來導致運算量加大，二來每棵樹訓練出來也可能千篇一律，沒有太多側重，所以，設置這個參數，使訓練每棵樹的時候只隨機用到部分特征，在減少整體運算的同時還可以讓每棵樹更注重自己選到的特征。
• n_estimators：隨機森林生成樹的個數，默認為100。

2、控制樣本抽樣參數：

• bootstrap：每次構建樹是不是采用有放回樣本的方式(bootstrap samples)抽取數據集。可選參數：True和False，默認為True。
• oob_score：是否使用袋外數據來評估模型，默認為False。

boostrap和 oob_score兩個參數一般要配合使用。如果boostrap是False，那么每次訓練時都用整個數據集訓練，如果boostrap是True，那么就會產生袋外數據。

先解釋一下袋外數據的概念：

在一個含有n個樣本的原始訓練集中，我們每次隨機取出一個樣本并記錄，并在抽取下一個樣本之前將該樣本放回原始訓練集，即下次采樣時這個樣本依然可能被采集到，這樣采集n次，最終得到一個和原始訓練集一樣大的子數據集。

由于是隨機采樣，這樣每次的子數據集和原始數據集都不同，用這些子數據集來各自訓練一棵樹，這些樹的參數自然也就各不相同了。

然而有放回抽樣也會有自己的問題。由于是有放回，一些樣本可能在同一個自助集中出現(xiàn)多次，而其他一些卻可能被忽略，一般來說，每一次抽樣，某個樣本被抽到的概率是 1/n ，所以不被抽到的概率就是 1-1/n ,所以n個樣本都不被抽到的概率就是：

用洛必達法則化簡，可以得到這個概率收斂于(1/e)，約等于0.37。

因此，如果數據量足夠大的時候，會有約37%的訓練數據被浪費掉，沒有參與建模，這些數據被稱為袋外數據(out of bag data，簡寫為oob)。

為了這些數據不被浪費，我們也可以把他們用來作為集成算法的測試集。也就是說，在使用隨機森林時，我們可以不劃分測試集和訓練集，只需要用袋外數據來測試我們的模型即可。

當然，這需要樣本數據n和分類器個數n_estimators都很大，如果數據集過少，很可能就沒有數據掉落在袋外，自然也就無法使用oob數據來測試模型了。

當bootstrap參數取默認值True時，表示抽取數據集時采用這種有放回的隨機抽樣技術。如果希望用袋外數據來測試，則需要在實例化時就將oob_score這個參數調整為True，訓練完畢之后，我們可以用隨機森林的另一個重要屬性：oob_score_來查看我們的在袋外數據上測試的結果，代碼如下：

#訓練一個模型，讓oob_score=True 輸出：0.9393433500278241

這個就是沒有參與訓練的數據集在模型上的測試得分。

3、不重要參數

• max_samples：構建每棵樹需要抽取的最大樣本數據量，默認為None，即每次抽取樣本數量和原數據量相同。
• n_jobs:：設定fit和predict階段并列執(zhí)行的CPU核數,如果設置為-1表示并行執(zhí)行的任務數等于計算機核數。默認為None，即采用單核計算。
• verbose：控制構建數過程的冗長度，默認為0。一般不需要管這個參數。
• warm_start：當設置為True,重新使用之前的結構去擬合樣例并且加入更多的估計器(estimators,在這里就是隨機樹)到組合器中。默認為 False

以上這幾個參數只需要簡單了解即可，大多數參數在使用過稱重不用調整，只是需要注意一點，n_jobs默認為None，為了加快速度，可以把n_jobs設置為-1。

二）隨機森林調參順序

介紹完了這些參數，接下來就要介紹隨機森林的調參順序了，隨機森林的調參順序一般遵循先重要后次要、先粗放后精細的原則，即先確定需要多少棵樹參與建模，再對每棵樹做細致的調參，精益求精。

相對于xgboost等算法，隨機森林的調參還是相對比較簡單，因為各個參數之間互相影響的程度很小，只需要按步驟調整即可。

結合我們決策樹文章中提到的參數以及今天所講的兩個參數，隨機森林中主要用來調參的參數有6個：

• n_estimators：
• criterion
• max_depth
• min_samples_split
• min_samples_leaf
• max_features

調參順序如下：

1）選擇criterion參數（決策樹劃分標準）

和決策樹一樣，這個參數只有兩個參數 'entropy'（熵） 和 'gini'（基尼系數）可選，默認為gini，這里簡單測試一下就好

RF = RandomForestClassifier(random_state = 66) score = cross_val_score(RF,x,y,cv=10).mean() print('基尼系數得分: %.4f'%score) RF = RandomForestClassifier(criterion = 'entropy',random_state = 66) score = cross_val_score(RF,x,y,cv=10).mean() print('熵得分: %.4f'%score)

輸出：

基尼系數得分: 0.9278
熵得分: 0.9249

這里看到，依舊是選用gini系數模型效果更好。

2）探索n_estimators的最佳值。

接下來才是進入真正的調參環(huán)節(jié)。根據上述調參原則，我們先看看用幾棵樹模型的表現(xiàn)最好。一般來說，樹的棵數越多，模型效果表現(xiàn)越好，但樹的棵數達到一定的數量之后，模型精確度不再上升，訓練這個模型的計算量卻逐漸變大。這個時候，再加樹的數量就沒必要了。就好比你餓的時候每吃一個饅頭就特別頂飽，但是吃到一定數量的饅頭之后，再吃就要撐著了。

只要找到這個臨界值，這個參數就調好了。為了觀察得分隨著樹增多的變化，我們依然繪制決策樹調參時的學習曲線。

###調n_estimators參數 ScoreAll = [] for i in range(10,200,10):DT = RandomForestClassifier(n_estimators = i,random_state = 66) #,criterion = 'entropy'score = cross_val_score(DT,data.data,data.target,cv=10).mean()ScoreAll.append([i,score]) ScoreAll = np.array(ScoreAll)max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##這句話看似很長的，其實就是找出最高得分對應的索引 print("最優(yōu)參數以及最高得分:",ScoreAll[max_score]) plt.figure(figsize=[20,5]) plt.plot(ScoreAll[:,0],ScoreAll[:,1]) plt.show()

輸出：

最優(yōu)參數以及最高得分: [120. 0.95560035]

調n_estimators參數

根據曲線，我們進一步縮小范圍，搜索100~130之間的得分。（這里可以根據經驗自己指定）

###進一步縮小范圍，調n_estimators參數 ScoreAll = [] for i in range(100,130):DT = RandomForestClassifier(n_estimators = i,random_state = 66) #criterion = 'entropy',score = cross_val_score(DT,data.data,data.target,cv=10).mean()ScoreAll.append([i,score]) ScoreAll = np.array(ScoreAll)max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##這句話看似很長的，其實就是找出最高得分對應的索引 print("最優(yōu)參數以及最高得分:",ScoreAll[max_score]) plt.figure(figsize=[20,5]) plt.plot(ScoreAll[:,0],ScoreAll[:,1]) plt.show()

輸出：

最優(yōu)參數以及最高得分: [117. 0.95727946]

調n_estimators參數

可以看到，117為得分最高點，我們暫定n_estimators為117，接著調下邊的參數。

3）探索max_depth（樹的最大深度）最佳參數

###粗調max_depth參數 ScoreAll = [] for i in range(10,30,3):DT = RandomForestClassifier(n_estimators = 117,random_state = 66,max_depth =i ) #,criterion = 'entropy'score = cross_val_score(DT,data.data,data.target,cv=10).mean()ScoreAll.append([i,score]) ScoreAll = np.array(ScoreAll)max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##這句話看似很長的，其實就是找出最高得分對應的索引 print("最優(yōu)參數以及最高得分:",ScoreAll[max_score]) plt.figure(figsize=[20,5]) plt.plot(ScoreAll[:,0],ScoreAll[:,1]) plt.show()

輸出：

最優(yōu)參數以及最高得分: [16. 0.95727946]

max_depth參數

轉折點在16，但是16之后一直沒有變化，可以說明就算不限制，所有樹的最大深度也就是16左右，因為我們以步長為3搜索的，所以還需要進一步搜索一下16附近的值。

精細搜索之后發(fā)現(xiàn)，16這個值就是轉折點，所以暫定max_depth = 16。

4）探索min_samples_split（分割內部節(jié)點所需的最小樣本數）最佳參數
min_samples_split最小值就是2，我們就從2開始調起。

###調min_samples_split參數 ScoreAll = [] for i in range(2,10):RF = RandomForestClassifier(n_estimators = 117,random_state = 66,max_depth =16,min_samples_split = i ) #,criterion = 'entropy'score = cross_val_score(RF,data.data,data.target,cv=10).mean()ScoreAll.append([i,score]) ScoreAll = np.array(ScoreAll)max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##這句話看似很長的，其實就是找出最高得分對應的索引 print("最優(yōu)參數以及最高得分:",ScoreAll[max_score]) plt.figure(figsize=[20,5]) plt.plot(ScoreAll[:,0],ScoreAll[:,1]) plt.show()

輸出：

最優(yōu)參數以及最高得分: [2. 0.95727946]

min_samples_split參數

可以看到，隨著min_samples_split增大，模型得分下降，說明沒有出現(xiàn)過擬合現(xiàn)象，min_samples_split暫定2。

5）探索min_samples_leaf（分割內部節(jié)點所需的最小樣本數）最佳參數

###調min_samples_leaf參數 ScoreAll = [] for i in range(1,15,2):DT = RandomForestClassifier(n_estimators = 117,random_state = 66,max_depth =16,min_samples_leaf = i,min_samples_split = 2 ) score = cross_val_score(DT,data.data,data.target,cv=10).mean()ScoreAll.append([i,score]) ScoreAll = np.array(ScoreAll)max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##這句話看似很長的，其實就是找出最高得分對應的索引 print("最優(yōu)參數以及最高得分:",ScoreAll[max_score]) plt.figure(figsize=[20,5]) plt.plot(ScoreAll[:,0],ScoreAll[:,1]) plt.show()

輸出：

最優(yōu)參數以及最高得分: [1. 0.95727946]

min_samples_leaf參數

5）對每棵樹用到的最大特征數max_features調參:

正常來說，只要這個值不要設置得太小，所有特征都會被整個森林抽取到用來訓練， 所以相對來說這個值對整個模型的影響不是太大。但這個值越大，單棵樹需要考慮的特征越多，雖然模型的表現(xiàn)可能會更好，但是增加這個值會導致算法運行速度變慢，所以需要我們考慮去找一個平衡值。

#調max_features參數 param_grid = {'max_features':np.arange(0.1, 1)}rfc = RandomForestClassifier(random_state=66,n_estimators = 117,max_depth = 16,min_samples_leaf =1 ,min_samples_split =4 ) GS = GridSearchCV(rfc,param_grid,cv=10) GS.fit(data.data,data.target) print(GS.best_params_) print(GS.best_score_)

輸出：

{'max_features': 0.1}
0.9560335195530726

如果時間充裕，接下來也可以將min_samples_leaf和min_samples_split作為網格參數聯(lián)調一下，因為這兩個參數會相互影響，這里暫時省略這一步。

此時，我們得到的參數如下：

參數值n_estimators117max_depth16min_samples_leaf1min_samples_split2max_features0.1

6）在得到的最優(yōu)參數附近進行小范圍網格搜索

因為手動調參時，這些參數可能會相互影響，導致我們得到的參數還不是最優(yōu)的。所以在最優(yōu)參數附近進行小范圍的網格搜索，排出相互影響的因素，尤其是在數據集量比較少時，小范圍搜索一下可能會有意外收獲。

import time start = time.time()param_grid = {'n_estimators':np.arange(140, 150),'max_depth':np.arange(15, 18),'min_samples_leaf':np.arange(1, 8),'min_samples_split':np.arange(2, 5),'max_features':np.arange(0.1, 1) }rfc = RandomForestClassifier(random_state=66) GS = GridSearchCV(rfc,param_grid,cv=10) GS.fit(data.data,data.target) end = time.time() print("循環(huán)運行時間:%.2f秒"%(end-start)) print(GS.best_params_) print(GS.best_score_)

輸出如下：

循環(huán)運行時間:3052.67秒
{'max_depth': 16, 'max_features': 0.1, 'min_samples_leaf': 1, 'min_samples_split': 3, 'n_estimators': 143}
0.9599332220367279

可以看到，精確度又上升了一點，此時，我們得到的新舊參數對比如下：

參數舊值新值n_estimators117143max_depth1616min_samples_leaf11min_samples_split23max_features0.10.1

對比一下新舊參數，可以看到參數變化還是比較大的，尤其是樹的棵數這個參數。當然，這里主要原因是我們用來做示例的這個預置的數據集只有1797條數據，導致參數的隨機性太大，在實際使用中數據集數量都是十萬百萬級的，不會出現(xiàn)我們手動調整的參數和小范圍網格搜索參數差別這么大的情況。

最后需要說明的一點是：隨機森林相對于決策樹來說運行較慢，在調參時可以將參數搜索范圍設置得小一些。

當然，這只是我個人的調參順序，僅用來參考，沒必要這么固化。實際調參時可以根據實際情況做一些調整。還是那句話：正是調參過程充滿的各種不確定性，才是調參的真正魅力所在。

五、本系列相關文章

• 機器學習超詳細實踐攻略(1)：盤點scikit-learn里那些有趣又有用的彩蛋級入門數據集
• 機器學習超詳細實踐攻略(8)：使用scikit-learn構建模型的通用模板【萬字長文】
• ?機器學習超詳細實踐攻略(9)：決策樹算法詳解及小白都能看懂的調參指南
• 機器學習超詳細實踐攻略(21)：三板斧干掉樣本不均衡問題之1——過（欠）采樣
• 機器學習超詳細實踐攻略(22)：三板斧干掉樣本不均衡問題之2——對正負樣本設置不同權重
• 機器學習超詳細實踐攻略(23)：三板斧干掉樣本不均衡問題之3——通過集成學習方法解決樣本不均衡

總結

以上是生活随笔為你收集整理的随机森林的特征 是放回抽样么_机器学习超详细实践攻略(10)：随机森林算法详解及小白都能看懂的调参指南...的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。