机器学习实践（十一）—sklearn之随机森林

一、什么是集成学习方法

集成学习通过建立几个模型组合的来解决单一预测问题。

它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。

这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。

二、什么是随机森林

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终投票结果就是True

三、随机森林原理过程

学习算法根据下列算法而建造每棵树：

用N来表示训练用例（样本）的个数，M表示特征数目。
- 1 一次随机选出一个样本，重复N次，（有可能出现重复的样本）
- 2 随机去选出m个特征, m <<M，建立决策树
采取bootstrap抽样

四、为什么采用BootStrap抽样

为什么要随机抽样训练集？　　
- 如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的
为什么要有放回地抽样？
- 如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

五、sklearn - 随机森林 - API

class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
- 随机森林分类器
- n_estimators：
  - integer，optional（default = 10）
  - 森林里的树木数量 120,200,300,500,800,1200
- criteria：
  - string，可选（default =“gini”）
  - 分割特征的测量方法
- max_depth：
  - integer或None，可选（默认=无）
  - 树的最大深度 5,8,15,25,30
- max_features=”auto”,每个决策树的最大特征数量
  - If “auto”, then max_features=sqrt(n_features).
  - If “sqrt”, then max_features=sqrt(n_features) (same as “auto”).
  - If “log2”, then max_features=log2(n_features).
  - If None, then max_features=n_features.
- bootstrap：
  - boolean，optional（default = True）
  - 是否在构建树时使用放回抽样
- min_samples_split：
  - 节点划分最少样本数
- min_samples_leaf：
  - 叶子节点的最小样本数
- 超参数：
  - n_estimator
  - max_depth
  - min_samples_split
  - min_samples_leaf

六、案例 - 随机森林 - 随机森林预测tanic生存状况¶

完整代码

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

# 1> 实例化一个估计器
estimator=RandomForestClassifier()

# 2> 网格搜索优化随机森林模型
param_dict={"n_estimators":[120,200,300,500,800,1200],"max_depth":[5,8,15,25,30]}
estimator=GridSearchCV(estimator,param_grid=param_dict,cv=5)

# 3> 传入训练集，进行模型训练
estimator.fit(x_train,y_train)

# 4> 模型评估
# 方法1，比较真实值与预测值
y_predict=estimator.predict(x_test)
print("预测值为:\n",y_predict)
print("比较真实值与预测值结果为:\n",y_predict==y_test)
# 方法2,计算模型准确率
print("模型准确率为:\n",estimator.score(x_test,y_test))
print("在交叉验证中最的结果:\n",estimator.best_score_)
print("最好的参数模型:\n",estimator.best_estimator_)
print("每次交叉验证后的结果准确率为/n",estimator.cv_results_)