随机森林知识点

随机森林的算法流程

随机森林的随机体现在两个方面：

• 随机有放回的抽样样本
• 对每个训练集随机抽取特征

随机森林的模型评估方法

• 袋外数据误差估计模型
• 及爱茶验证率估计模型
  

随机森林的参数：

def __init__(
        self,
        n_estimators=100,
        *,
        criterion="gini",
        max_depth=None,
        min_samples_split=2,
        min_samples_leaf=1,
        min_weight_fraction_leaf=0.0,
        max_features="auto",
        max_leaf_nodes=None,
        min_impurity_decrease=0.0,
        bootstrap=True,
        oob_score=False,
        n_jobs=None,
        random_state=None,
        verbose=0,
        warm_start=False,
        class_weight=None,
        ccp_alpha=0.0,
        max_samples=None,
    ):

sklearn 随机森林(分类器、回归器)的重要参数、属性、方法理解

参数详解

重要参数

1，n_estimators
数值型参数，默认值为100，此参数指定了弱分类器的个数。设置的值越大，精确度越好，但是当 n_estimators 大于特定值之后，带来的提升效果非常有限。

推荐的参数值为：[120, 300, 500, 800, 1200]

2，criterion
字符串类型，默认值为 ‘gini’。这个参数指定划分子树的评估标准：

‘entropy’，使用基于信息熵的方法，即计算信息增益
‘gini’，使用基尼系数（Gini Impurity）
**推荐设置为 ‘gini’，**因为（1）基尼系数的计算过程相对简单，而计算信息增益需要进行对数运算。（2）使用信息增益作为划分标准时，在使用高纬度数据或者噪声很多的数据时容易过拟合。

3，max_depth
数值型，默认值None。这是与剪枝相关的参数，设置为None时，树的节点会一直分裂，直到：（1）每个叶子都是“纯”的；（2）或者叶子中包含⼩于min_sanples_split个样本。

推荐从 max_depth = 3 尝试增加，观察是否应该继续加大深度。

合适的取值可以是 [3, 5, 8, 15, 25, 30, None]

如果max_leaf_nodes参数非None，则忽略此项

4，min_samples_leaf
数值型，默认值1，指定每个叶子结点包含的最少的样本数。参数的取值除了整数之外，还可以是浮点数，此时（min_samples_leaf * n_samples）向下取整后的整数是每个节点的最小样本数。
此参数设置的过小会导致过拟合，反之就会欠拟合。调整过程：

从min_samples_leaf=5开始上下调整。
对于类别不多的分类问题，设置为1通常是合理的选择。
当叶节点包含样本数量差异很大时，建议设置为浮点数。
推荐的取值可以是：[1, 2, 5, 10]

5，min_samples_split
数值型，默认值2，指定每个内部节点(非叶子节点)包含的最少的样本数。与min_samples_leaf这个参数类似，可以是整数也可以是浮点数。

推荐的取值是：[1, 2, 5, 10, 15, 100]

7，max_features
可以为整数、浮点、字符或者None，默认值为None。此参数用于限制分枝时考虑的特征个数，超过限制个数的特征都会被舍弃。

如果是整数，则每次切分只考虑max_features个特征。
如果是浮点数，每次切分只考虑max_features*n_features个特征(max_features指定百分⽐)。
如果是字符串‘auto’，则max_features等于n_features。
如果是字符串‘sqrt’，则max_features等于sqrt(n_features)。
如果是字符串‘log2’，则max_features等于log2(n_features)。
如果是字符串None，则max_features等于n_features。
推荐的取值为：[‘log2’, ‘sqrt’, None]

8，class_weight
可以是列表、字典、或者字符串’balanced’，还可以是默认值None。这个参数主要是用于样本不平衡数据集，当设置为None时，所有类别样本权重都为1。也可以利用列表或者字典手动设置各个类别样本的权重，将样本较少的类别赋予更大的权重。当设置为’balanced’时，会自动根据样本出现的频率计算权重，即 n_samples / (n_classes * np.bincount(y))
推荐的设置为：[None, ‘balanced’]

9，max_leaf_nodes
数值型参数，默认值为None，即不限制最大叶子节点数。这个参数通过限制树的最大叶子数量来防止过拟合，如果设置了一个正整数，则会在建立的最大叶节点内的树中选择最优的决策树。如果特征不多，可以设置为None，否则可以设置为小于 2 m a x _ d e p t h 2^{max_depth }2
max_depth
的数值。

10，oob_score
bool类型参数，默认值为False，即是否采用袋外样本来评估模型的好坏。个人推荐设置为True，因为袋外分数反应了一个模型拟合后的泛化能力。

11，verbose
数值类型，默认值为0，表示不输出日志。如果为1，则每次迭代输出一次日志。如果大于1，则每间隔 verbose 此迭代输出一次日志。

重要属性

1，feature_importances_ ，给出了各个特征对模型的重要性。

2，oob_score_，训练数据使用的包外数据的得分。

重要方法

1，fit(X,y) : 训练模型。
2，predict(X) : 用模型预测，返回预测值。
3，predict_proba(X) : 返回一个数组，数组元素依次为各个样本属于各个类别的概率值。
4，score(X, y) : 返回在(X, y)上预测的准确率(accuracy)。

引入方式如下：

from sklearn.ensemble import RandomForestRegressor
# 所有参数
RandomForestRegressor(bootstrap=True, ccp_alpha=0.0, criterion='mse',
                      max_depth=None, max_features='auto', max_leaf_nodes=None,
                      max_samples=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=100, n_jobs=None, oob_score=False,
                      random_state=None, verbose=0, warm_start=False)

其中，参数criterion 是字符串类型，默认值为 ‘mse’，是衡量回归效果的指标。可选的还有‘mae’ 。

除了criterion这个参数之外，其他参数、属性、方法的含义与用法与上文提到的随机森林分类器的参数基本一致。

建议参数优化顺序

GridsearchCV

class sklearn.model_selection.GridSearchCV(estimator, param_grid, *,scoring=None, n_jobs=None, refit=True, cv=None, verbose=2, pre_dispatch='2*n_jobs', error_score=nan, return_train_score=False)

基于GridsearchCV的随机森林超参数调整

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
# 1.载入数据
iris = load_iris()
X=iris.data
Y=iris.target
#
n_estimators=range(50,1000,50)
max_depth = range(2,12,2)
rf_param_grid = {'n_estimators':n_estimators,
                 'max_depth':max_depth,
                 }
#hyper={'n_estimators':n_estimators}
gd=GridSearchCV(estimator=RandomForestClassifier(random_state=0),param_grid=rf_param_grid,verbose=2)
gd.fit(X,Y)
print(gd.best_score_)
print(gd.best_estimator_)
print()

print("在交叉验证中验证的最好结果：\n", estimator.best_score_)
print("最好的参数模型：\n", estimator.best_estimator_)
print("每次交叉验证后的准确率结果：\n", estimator.cv_results_)

小结

• 随机森林的模型评估方式： 推荐袋外法 rf.oob,score

参考

https://www.cnblogs.com/pinard/p/6160412.html?utm_source=itdadao&utm_medium=referral
scikit-learn随机森林调参小结
（包含参数的类别意义以及调参案例。）
[Machine Learning & Algorithm] 随机森林（Random Forest）