随机森林(RandomForest), 可用于分类或者回归， 相比较决策树的算法， 随机森林是由多棵CART（Classification And Regression Tree）构成的。优点很明显：
-
决策树过拟合问题严重， RandomForest不存在，所以也避免了剪枝的问题；抗噪性好(两个随机采样)
-
速度快，模型简单，精度高
-
能高效应对特征缺失的情况， 标量特征和连续特征通吃，无需归一化
-
GINI系数评估变量属性重要性，并给出连续变量的分界值
-
在不平衡的数据集中, 它含有平衡误差的方法。
-
可生成一个Proximities=（pij）矩阵，用于度量样本之间的相似性： pij=aij/N, aij表示样本i和j出现在随机森林中同一个叶子结点的次数，N随机森林中树的颗数
-
计算样本实例之间的Proximities,可以用来聚类分析、异常分析、或者数据的其他有趣的视图。
缺点：
- 递归过深， 吃内存， 容易堆栈溢出
思想：
两个随机采样：
-
样本采样： 假设原始样本数为N,用bootstrap方法从N样本中获取构造每棵决策树的训练集。 有放回采样
-
特征采样： 无放回抽样
随机森林: 分类用投票vote, 回归用回归树的平均值
森林中单颗树的分类强度（Strength）：每颗树的分类强度越大，则随机森林的分类性能越好。
森林中树之间的相关度（Correlation）：树之间的相关度越大，则随机森林的分类性能越差。
随机选取训练样本集：使用Bagging方法形成每颗树的训练集
随机选取分裂属性集：假设共有p个属性，指定一个属性数p≤m，在每个内部结点，从M个属性中随机抽取F个属性作分裂属性集，以这p个属性上最好的分裂方式对结点进行分裂（在整个森林的生长过程中， F的值一般维持不变）
细节：
用作分类时，m默认取 sqrt(p)，最小取1；
用作回归时，m默认取 p / 3，最小取5
代码实现：
# !/usr/bin/pytho
# encoding=utf-8
from __future__ import division
import numpy as np
import math
import copy
"""
http://blog.csdn.net/ljblog2014/article/details/38875137
随机森林: 分类用投票vote, 回归用回归树的平均值
森林中单颗树的分类强度（Strength）：每颗树的分类强度越大，则随机森林的分类性能越好。
森林中树之间的相关度（Correlation）：树之间的相关度越大，则随机森林的分类性能越差。
随机选取训练样本集：使用Bagging方法形成每颗树的训练集
随机选取分裂属性集：假设共有p个属性，指定一个属性数p≤m，在每个内部结点，从M个属性中随机抽取F个属性作分裂属性集，以这p个属性上最好的分裂方式对结点进行分裂（在整个森林的生长过程中， F的值一般维持不变）
细节：
用作分类时，m默认取 sqrt(p)，最小取1；
用作回归时，m默认取 p / 3，最小取5
m是一个可调的参数
RandomForestClassifier(
n_estimators=10, //树的棵树
criterion='gini', //分类标准
max_depth=None, //最大深度
min_samples_split=2, //最少分裂几个子节点
min_weight_fraction_leaf=0.0,
max_leaf_nodes=None,
bootstrap=True,
n_jobs=1, //指定并行使用的进程数
random_state=None,
verbose=0,
warm_start=False,
class_weight=None //类别权重，样本不均衡时很重要
)
这个代码每棵树采用由放回的随机采样, feature用的全部的feature
"""
class node(object):
def __init__(self, col=-1, value=None, results=None, trueBranch=None, falseBranch=None):
self.col = col
self.value = value
self.results = results
self.trueBranch = trueBranch
self.falseBranch = falseBranch
def getLabel(self):
"""
如果不限制树的深度的话, 叶子节点就是单一类别
如果限制树的深度的话, 叶子节点取多数样本的类别
:return:
"""
label = None
if self.results == None:
return None
else:
max_counts = 0
for key in self.results.keys():
if self.results[key] > max_counts:
label = key
max_counts = self.results[key]
return label
class RandomForestsClassifier:
def __init__(self, n_bootstrapSamples=20):
self.n_bootstrapSamples = n_bootstrapSamples # 决策树的数量
self.list_tree = []
def divideSet(self, samples, column, value):
splitFunction = None
if isinstance(value,int) or isinstance(value,float):
splitFunction = lambda row: row[column] >= value
else:
splitFunction = lambda row: row[column] == value
set1 = [row for row in samples if splitFunction(row)]
set2 = [row for row in samples if not splitFunction(row)]
return (set1,set2)
def uniqueCounts(self, samples):
# 统计每个类别下的样本数
results = {}
for row in samples:
r = row[len(row)-1]
if r not in results:
results[r] = 0
results[r] = results[r]+1
return results
def giniEstimate(self, samples):
if len(samples) == 0: return 0
total = len(samples)
counts = self.uniqueCounts(samples)
gini = 0
for target in counts:
gini = gini + pow(counts[target],2)
gini = 1 - gini / pow(total,2)
return gini
def buildTree(self, samples): # 构造CART决策树
if len(samples) == 0:
return node()
currentGini = self.giniEstimate(samples)
bestGain = 0
bestCriteria = None
bestSets = None
colCount = len(samples[0]) - 1
colRange = range(0,colCount)
np.random.shuffle(colRange)
for col in colRange[0:int(math.ceil(math.sqrt(colCount)))]:
colValues = {}
for row in samples:
colValues[row[col]] = 1
for value in colValues.keys():
(set1,set2) = self.divideSet(samples, col, value)
gain = currentGini - (len(set1)*self.giniEstimate(set1) + len(set2)*self.giniEstimate(set2)) / len(samples)
if gain > bestGain and len(set1) > 0 and len(set2) > 0: # 最合适的gain系数
bestGain = gain
bestCriteria = (col, value)
bestSets = (set1, set2)
if bestGain > 0:
trueBranch = self.buildTree(bestSets[0])
falseBranch = self.buildTree(bestSets[1])
return node(col=bestCriteria[0], value=bestCriteria[1],
trueBranch=trueBranch, falseBranch=falseBranch)
else:
return node(results=self.uniqueCounts(samples))
def printTree(self, tree,indent=' '): # 以文本形式显示决策树
if tree.results != None:
print str(tree.results)
else:
print str(tree.col)+':'+str(tree.value)+'?'
print indent+'T->',
self.printTree(tree.trueBranch,indent+' ')
print indent+'F->',
self.printTree(tree.falseBranch,indent+' ')
def predict_tree(self, observation, tree): # 利用决策树进行分类
if tree.results != None:
return tree.getLabel()
else:
v = observation[tree.col]
branch = None
if isinstance(v,int) or isinstance(v,float):
if v >= tree.value: branch = tree.trueBranch
else: branch = tree.falseBranch
else:
if v == tree.value: branch = tree.trueBranch
else: branch = tree.falseBranch
return self.predict_tree(observation,branch)
def generateBootstrapSamples(self, data): # 构造bootstrap样本
samples = []
# 增加特征的随机选取过程: 特征随机无放回
features = len(data[0][:-1])
randRange = range(features)
np.random.shuffle(range(features))
# 特征取sqart数量
sample_features = randRange[:max(1, int(math.ceil(math.sqrt(features))))]
# 这个是有放回的样本采样
for i in range(len(data)):
# np.random.randint产生0~len(data)的随机数, 有放回的随机采样, 即samples存在重复数据
temp = data[np.random.randint(len(data))]
tp = []
for j in range(len(temp[:-1])):
if j in sample_features:
tp.append(temp[j])
tp.append(temp[-1])
samples.append(data[np.random.randint(len(data))])
return samples
def fit(self, data): # 构造随机森林
for i in range(self.n_bootstrapSamples):
# 构造self.n_bootstrapSamples 棵CART树
samples = self.generateBootstrapSamples(data)
currentTree = self.buildTree(samples)
self.list_tree.append(currentTree)
def predict_randomForests(self, observation): # 利用随机森林对给定观测数据进行分类
results = {}
for i in range(len(self.list_tree)):
# 单决策树预测
currentResult = self.predict_tree(observation, self.list_tree[i])
# 投票表决
if currentResult not in results:
results[currentResult] = 0
results[currentResult] = results[currentResult] + 1
max_counts = 0
finalResult = None
# 投票
for key in results.keys():
if results[key] > max_counts:
finalResult = key
max_counts = results[key]
return finalResult
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
#pp = lambda x: x > 2 and 1 or -1
#X = np.array([[t[0], t[1], t[2], pp(t[-1])] for t in X.tolist()])
#print X
y = iris.target
temp_data = np.concatenate([X, y.reshape((len(y), 1))], axis=1)
# 由于上述代码要求输入的观测数据存储在二维列表中，需将numpy二维数组转换成列表
data = []
for i in range(temp_data.shape[0]):
temp = []
for j in range(temp_data.shape[1]):
temp.append(temp_data[i][j])
data.append(temp)
rowRange = range(150)
np.random.shuffle(rowRange) # shuffle随机排序
#从鸢尾花数据集(容量为150)按照随机均匀抽样的原则选取70%的数据作为训练数据
training_data = [data[i] for i in rowRange[0:105]]
#按照随机均匀抽样的原则选取30%的数据作为检验数据
testing_data = [data[i] for i in rowRange[105:150]]
classifier = RandomForestsClassifier(n_bootstrapSamples=20) # 初始化随机森林
classifier.fit(training_data)#利用训练数据进行拟合
finalResults = []
for row in testing_data:
finalResult = classifier.predict_randomForests(row[:-1])#对检验数据集进行分类
finalResults.append(finalResult)
errorVector = np.zeros((len(testing_data),1)) # np.zeros 错误率
errorVector[np.array(finalResults) != (np.array(testing_data))[:,4]] =1
print errorVector.sum() / len(testing_data)#计算错判率
import sklearn.ensemble as ens
iris = load_iris()
clf = ens.RandomForestClassifier(n_estimators=20) #初始化
# RandomForestClassifier 不允许 字符串变量
clf = clf.fit([t[:-1] for t in training_data], [t[-1] for t in training_data]) #训练决策树
print clf.feature_importances_
print clf.n_classes_
print clf.estimators_
print clf.predict_log_proba([3.2, 2.5, 2.1, 2.0])
print clf.score((np.array(testing_data))[:,0:-1], (np.array(testing_data))[:,-1])
finalResults = []
for row in testing_data:
finalResult = clf.predict(row[:-1])[0]#对检验数据集进行分类
finalResults.append(finalResult)
errorVector = np.zeros((len(testing_data),1)) # np.zeros 错误率
errorVector[np.array(finalResults) != (np.array(testing_data))[:,4]] =1
print errorVector.sum() / len(testing_data)#计算错判率
sklearn可视化：
参考：
http://blog.csdn.net/a819825294/article/details/51177435
http://blog.csdn.net/ljblog2014/article/details/38875137
网友评论