随机森林---python实现

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。

#-*- 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。