机器学习算法之随机深林(bagging)

怼烎@ 2023-06-05 11:12 2阅读 0赞

# 算法原理 #

随机森林是一个用随机方式建立的，包含多个决策树的集成分类器。其输出的类别由各个树投票而定（如果是回归树则取平均）。假设样本总数为n，每个样本的特征数为a，则随机森林的生成过程如下：

*  从原始样本中采用有放回抽样的方法选取n个样本；
 *  对n个样本选取a个特征中的随机k个，用建立决策树的方法获得最佳分割点；
 *  重复m次，获得m个决策树；
 *  对输入样例进行预测时，每个子树都产生一个结果，采用多数投票机制输出。  
    随机森林的随机性主要体现在两个方面：  
    数据集的随机选取：从原始的数据集中采取有放回的抽样（bagging），构造子数据集，子数据集的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复。  
    待选特征的随机选取：与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征。

以上两个随机性能够使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。  
随机森林的优点：

*  实现简单，训练速度快，泛化能力强，可以并行实现，因为训练时树与树之间是相互独立的；
 *  相比单一决策树，能学习到特征之间的相互影响，且不容易过拟合；
 *  能处理高维数据（即特征很多），并且不用做特征选择，因为特征子集是随机选取的；
 *  对于不平衡的数据集，可以平衡误差；
 *  相比SVM，不是很怕特征缺失，因为待选特征也是随机选取；
 *  训练完成后可以给出哪些特征比较重要。

随机森林的缺点：

*  在噪声过大的分类和回归问题还是容易过拟合；
 *  相比于单一决策树，它的随机性让我们难以对模型进行解释。

# 代码实现 #

在上一篇文章实现的决策树的基础上实现，代码如下：

#coding=utf-8
    import decision_tree
    from decision_tree import DecisionTree
    from random import sample, choices, choice
    
    class RandomForest(object):
        def __init__(self):
            self.trees = None
            self.tree_features = None
    
        def fit(self, X, y, n_estimators=10, max_depth=3, min_samples_split=2, max_features=None, n_samples=None):
            self.trees = []
            self.tree_features = []
            for _ in range(n_estimators):
                m = len(X[0])
                n = len(y)
                if n_samples:
                    idx = choices(population=range(n), k=min(n, n_samples))
                else:
                    idx = range(n)
                if max_features:
                    n_features = min(m, max_features)
                else:
                    n_features = int(m ** 0.5)
                features = sample(range(m), choice(range(1, n_features+1)))
                X_sub = [[X[i][j] for j in features] for i in idx]
                y_sub = [y[i] for i in idx]
                clf = DecisionTree()
                clf.fit(X_sub, y_sub, max_depth, min_samples_split)
                self.trees.append(clf)
                self.tree_features.append(features)
    
        def _predict(self, Xi):
            pos_vote = 0
            for tree, features in zip(self.trees, self.tree_features):
                score = tree._predict([Xi[j] for j in features])
                if score >= 0.5:
                    pos_vote += 1
            neg_vote = len(self.trees) - pos_vote
            if pos_vote > neg_vote:
                return 1
            elif pos_vote < neg_vote:
                return 0
            else:
                return choice([0, 1])
    
        def predict(self, X):
            return [self._predict(Xi) for Xi in X]
    
    
    @decision_tree.run_time
    def main():
        print("Tesing the performance of RandomForest...")
        # Load data
        X, y = decision_tree.load_data()
        # Split data randomly, train set rate 70%
        X_train, X_test, y_train, y_test = decision_tree.train_test_split(X, y, random_state=40)
    
        # Train model
        rf = RandomForest()
        rf.fit(X_train, y_train, n_samples=300, max_depth=3, n_estimators=20)
        # Model evaluation
        y_hat = rf.predict(X_test)
        acc = decision_tree.get_acc(y_test, y_hat)
        print("Accuracy is %.3f" % acc)

# 在肺癌数据集上测试结果如下 #

![在这里插入图片描述][20191008222057182.png]

# 参考文章 #

https://blog.csdn.net/login\_sonata/article/details/73929426

[20191008222057182.png]: /images/20230601/dfad34435d41474b9d126063d28c9734.png