随机森林---python实现
2017-06-16 15:06
477 查看
其实随机森林就是由许多的决策树组成。每一颗决策树可能误差较大,但是综合在一起最后通过选举的方式产生的结果将非常准确。
随机森林不需要像决策树一样剪枝,理由很简单。剪枝是为了防止我们的算法over-fitting。在有n的样本,m个属性(特征)的数据中,我们有放回随机选择n个样本(可能重复),随机选择k个属性(k小于m,一般情况下我们取k =sqrt(m-1)),我们也通过限制最大树深度,分类结果中最小的样本数量来做限制,从而防止了over-fitting(因为加入了随机性)。
在这里我们用的是cart分类树(其实是网上找找的代码,,自己慢慢理解 哈哈)来实现决策树。
步骤:
1.导入数据,并将除最后一列判断结果外所有数据变为float形式。
在这里有个小技巧就是使用了map内置函数。在python2.7版本中使用map返回的是一个list
而在3.x版本中返回的是一个map对象,若想得到list,必须使用list(map()),下面代码有写。
2.得到交叉验证数据集
3.计算正确率
4.根据特征和特征值来分数据集。
5.计算gini值
6.找出分类的最优特征,和最优特征的值。
也就是说通过计算gini指数,你可以得到最优特征和用最优特征的哪个值来进行分类。当我们测试时来了一个数据你若进行判断肯定是先对比特征,然后再对比测试数据的该特征的值和最优特征的值后再进行判断。
7.选择出现次数最多
8.子划分。 在4中我们得到了group(group中包含了左子树和右子树),我们要对其再细分。
9.建树。用6找出最优特征index 和 row【index】,再用8来进行细划分得到最终的树。
10.用单科树来预测
11.用整个森林来预测
12.构造样本子集。就是又放回随机抽取n个样本
最后综合 和评价。
好了,直接贴代码吧。看完其实应该想到这个实现有个问题。我能想到的写到最下面。
虽然在随机森林中我们需要随机的选取特征,但是只选一次,之后每次从第一次选择的特征中再选。但是这个代码却没有这么做,他总是随机重复选择。这就牵扯到一个问题,已经被选过的特征又被选择一次,运行后发现这个代码正确率并不高。
其次是在该算法中,总是完整的数据集,运行速度十分慢。当我们选完特征后,如果只把我们选的特征那些数据取出来是不是会更快呢,答案肯定的。
详情请看下一篇。
随机森林不需要像决策树一样剪枝,理由很简单。剪枝是为了防止我们的算法over-fitting。在有n的样本,m个属性(特征)的数据中,我们有放回随机选择n个样本(可能重复),随机选择k个属性(k小于m,一般情况下我们取k =sqrt(m-1)),我们也通过限制最大树深度,分类结果中最小的样本数量来做限制,从而防止了over-fitting(因为加入了随机性)。
在这里我们用的是cart分类树(其实是网上找找的代码,,自己慢慢理解 哈哈)来实现决策树。
步骤:
1.导入数据,并将除最后一列判断结果外所有数据变为float形式。
在这里有个小技巧就是使用了map内置函数。在python2.7版本中使用map返回的是一个list
而在3.x版本中返回的是一个map对象,若想得到list,必须使用list(map()),下面代码有写。
2.得到交叉验证数据集
3.计算正确率
4.根据特征和特征值来分数据集。
5.计算gini值
6.找出分类的最优特征,和最优特征的值。
也就是说通过计算gini指数,你可以得到最优特征和用最优特征的哪个值来进行分类。当我们测试时来了一个数据你若进行判断肯定是先对比特征,然后再对比测试数据的该特征的值和最优特征的值后再进行判断。
7.选择出现次数最多
8.子划分。 在4中我们得到了group(group中包含了左子树和右子树),我们要对其再细分。
9.建树。用6找出最优特征index 和 row【index】,再用8来进行细划分得到最终的树。
10.用单科树来预测
11.用整个森林来预测
12.构造样本子集。就是又放回随机抽取n个样本
最后综合 和评价。
好了,直接贴代码吧。看完其实应该想到这个实现有个问题。我能想到的写到最下面。
#-*- coding: utf-8 -*- # Random Forest Algorithm on Sonar Dataset from random import 4000 seed from random import randrange from csv import reader from math import sqrt from math import log # Load a CSV file def load_csv(filename): #导入csv文件 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): #将数据集的第column列转换成float形式 for row in dataset: row[column] = float(row[column].strip()) #strip()返回移除字符串头尾指定的字符生成的新字符串。 # Convert string column to integer def str_column_to_int(dataset, column): #将最后一列表示标签的值转换为Int类型0,1,... 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): #将数据集dataset分成n_flods份,每份包含len(dataset) / n_folds个值,每个值由dataset数据集的内容随机产生,每个值被使用一次 dataset_split = list() dataset_copy = list(dataset) #复制一份dataset,防止dataset的内容改变 fold_size = len(dataset) / n_folds for i in range(n_folds): fold = list() #每次循环fold清零,防止重复导入dataset_split while len(fold) < fold_size: #这里不能用if,if只是在第一次判断时起作用,while执行循环,直到条件不成立 index = randrange(len(dataset_copy)) fold.append(dataset_copy.pop(index)) #将对应索引index的内容从dataset_copy中导出,并将该内容从dataset_copy中删除。pop() 函数用于移除列表中的一个元素(默认最后一个元素),并且返回该元素的值。 dataset_split.append(fold) return dataset_split #由dataset分割出的n_folds个数据构成的列表,为了用于交叉验证 # Calculate accuracy percentage def accuracy_metric(actual, predicted): #导入实际值和预测值,计算精确度 correct = 0 for i in range(len(actual)): if actual[i] == predicted[i]: correct += 1 return correct / float(len(actual)) * 100.0 # Split a dataset based on an attribute and an attribute value #根据特征和特征值分割数据集 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): #个人理解:计算代价,分类越准确,则gini越小 gini = 0.0 for class_value in class_values: #class_values =[0,1] for group in groups: #groups=(left,right) size = len(group) if size == 0: continue proportion = [row[-1] for row in group].count(class_value) / float(size) gini += (proportion * (1.0 - proportion)) #个人理解:计算代价,分类越准确,则gini越小 return gini # Select the best split point for a dataset #找出分割数据集的最优特征,得到最优的特征index,特征值row[index],以及分割完的数据groups(left,right) def get_split(dataset, n_features): class_values = list(set(row[-1] for row in dataset)) #class_values =[0,1] 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) #往features添加n_features个特征(n_feature等于特征数的根号),特征索引从dataset中随机取 if index not in features: features.append(index) for index in features: #在n_features个特征中选出最优的特征索引,并没有遍历所有特征,从而保证了每课决策树的差异性 for row in dataset: groups = test_split(index, row[index], dataset) #groups=(left,right);row[index]遍历每一行index索引下的特征值作为分类值value,找出最优的分类特征和特征值 gini = gini_index(groups, class_values) if gini < b_score: b_index, b_value, b_score, b_groups = index, row[index], gini, groups #最后得到最优的分类特征b_index,分类特征值b_value,分类结果b_groups。b_value为分错的代价成本。 #print b_score return {'index':b_index, 'value':b_value, 'groups':b_groups} # Create a terminal node value #输出group中出现次数较多的标签 def to_terminal(group): outcomes = [row[-1] for row in group] #max()函数中,当key参数不为空时,就以key的函数对象为判断的标准; return max(set(outcomes), key=outcomes.count) # 输出group中出现次数较多的标签 # Create child splits for a node or make terminal #创建子分割器,递归分类,直到分类结束 def split(node, max_depth, min_size, n_features, depth): #max_depth = 10,min_size = 1,n_features = int(sqrt(len(dataset[0])-1)) 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: #max_depth=10表示递归十次,若分类还未结束,则选取数据中分类标签较多的作为结果,使分类提前结束,防止过拟合 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) #node['left']是一个字典,形式为{'index':b_index, 'value':b_value, 'groups':b_groups},所以node是一个多层字典 split(node['left'], max_depth, min_size, n_features, depth+1) #递归,depth+1计算递归层数 # 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) root = get_split(train, n_features) split(root, max_depth, min_size, n_features, 1) return root # Make a prediction with a decision tree def predict(node, row): #预测模型分类结果 if row[node['index']] < node['value']: if isinstance(node['left'], dict): #isinstance是Python中的一个内建函数。是用来判断一个对象是否是一个已知的类型。 return predict(node['left'], row) else: return node['left'] else: if isinstance(node['right'], dict): return predict(node['right'], row) else: return node['right'] # Make a prediction with a list of bagged trees def bagging_predict(trees, row): predictions = [predict(tree, row) for tree in trees] #使用多个决策树trees对测试集test的第row行进行预测,再使用简单投票法判断出该行所属分类 return max(set(predictions), key=predictions.count) # Create a random subsample from the dataset with replacement def subsample(dataset, ratio): #创建数据集的随机子样本 sample = list() n_sample = round(len(dataset) * ratio) #round() 方法返回浮点数x的四舍五入值。 while len(sample) < n_sample: index = randrange(len(dataset)) #有放回的随机采样,有一些样本被重复采样,从而在训练集中多次出现,有的则从未在训练集中出现,此则自助采样法。从而保证每棵决策树训练集的差异性 sample.append(dataset[index]) return sample # 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): #n_trees表示决策树的数量 sample = subsample(train, sample_size) #随机采样保证了每棵决策树训练集的差异性 tree = build_tree(sample, max_depth, min_size, n_features) #建立一个决策树 trees.append(tree) predictions = [bagging_predict(trees, row) for row in test] return(predictions) # Evaluate an algorithm using a cross validation split def evaluate_algorithm(dataset, algorithm, n_folds, *args): #评估算法性能,返回模型得分 folds = cross_validation_split(dataset, n_folds) scores = list() for fold in folds: #每次循环从folds从取出一个fold作为测试集,其余作为训练集,遍历整个folds,实现交叉验证 train_set = list(folds) train_set.remove(fold) train_set = sum(train_set, []) #将多个fold列表组合成一个train_set列表 test_set = list() for row in fold: #fold表示从原始数据集dataset提取出来的测试集 row_copy = list(row) row_copy[-1] = None test_set.append(row_copy) predicted = algorithm(train_set, test_set, *args) actual = [row[-1] for row in fold] accuracy = accuracy_metric(actual, predicted) scores.append(accuracy) return scores # Test the random forest algorithm seed(1) #每一次执行本文件时都能产生同一个随机数 # 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) ##将最后一列表示标签的值转换为Int类型0,1(可以不用转换,标签可以为str型) # evaluate algorithm n_folds = 5 #分成5份数据,进行交叉验证 #max_depth = 10 #递归十次 max_depth = 20 #调参(自己修改) #决策树深度不能太深,不然容易导致过拟合 min_size = 1 sample_size = 1.0 #n_features = int(sqrt(len(dataset[0])-1)) n_features =15 #调参(自己修改) #准确性与多样性之间的权衡 for n_trees in [1,10,20]: #树的数量的选择并非越多越好,得自己调 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))))
虽然在随机森林中我们需要随机的选取特征,但是只选一次,之后每次从第一次选择的特征中再选。但是这个代码却没有这么做,他总是随机重复选择。这就牵扯到一个问题,已经被选过的特征又被选择一次,运行后发现这个代码正确率并不高。
其次是在该算法中,总是完整的数据集,运行速度十分慢。当我们选完特征后,如果只把我们选的特征那些数据取出来是不是会更快呢,答案肯定的。
详情请看下一篇。
相关文章推荐
- python实现集成回归算法,包括随机森林,极端随机森林,梯度boosting算法
- python实现随机森林random forest的原理及方法
- 再谈随机森林---python实现
- 用Python实现随机森林算法,深度学习
- 如何在Python中从零开始实现随机森林
- 随机森林的原理分析及Python代码实现
- H2O中的随机森林算法介绍及其项目实战(python实现)
- 如何在Python中从零开始实现随机森林
- H2O中的随机森林算法介绍及其项目实战(python实现)
- 【转载】Python 实现的随机森林http://lidandan1314.diandian.com/
- 随机森林,GBDT,Adaboost原理及python实现
- LSH︱python实现局部敏感随机投影森林——LSHForest/sklearn(一)
- LSH︱python实现局部敏感随机投影森林——LSHForest/sklearn(一)
- Python3实现生成随机密码的方法
- 随机森林的简单实现
- 随机森林入门攻略(内含R、Python代码)
- 随机验证码生成(python实现)
- 基于随机游走的社团划分算法label progation 的python实现
- 随机森林的简单实现
- R语言实现随机森林代码