随机森林 (Random Forests) 简单介绍与应用

1 集成方法(Ensemble methods)

1.1 什么是集成方法

简单来说，集成方法 就是组合多个模型，以获得更好效果。

1.2 两种集成方法

平均法(averaging methods)：也有人直接称之为“袋装法”，所有算法进行 相互独立 训练得到各自的模型，然后再进行投票选择最好的模型。如 随机森林(Forests of randomized trees) 与 袋装法(Bagging methods) 。
提升法(boosting methods)：训练开始后，从第二个模型开始，每个模型是针对前一个模型进行加权叠加。如 自适应提升(Adaboost) 与 梯度树提升(Gradient Tree Boosting) 。

2 随机森林(Random Forests)

2.1 “森林”

在随机森林中，集合中的每棵树都是从训练集中抽取的替换样本中构建的。大量的这样的树，即构成了所说的“森林”。

2.2 “随机”

在树的构造过程中分割每个节点时，可以从所有输入特征中找到最佳分割，也可以在1~max_features 范围中随机选取若干个特征进行分割节点操作。

2.3 作用

这两种随机性来源的目的是降低森林估计器的方差。事实上，单个决策树通常表现出高方差，并且倾向于过度拟合。森林中的注入随机性使得决策树具有一定程度的解耦预测误差。
通过取这些预测的平均值，一些错误可以抵消。随机森林通过组合不同的树来减少方差，有时以稍微增加偏差为代价。在实践中，方差的减少通常是显著的，因此产生了一个整体上更好的模型。

2.4 优点

对于很多种数据，它可以产生高准确度的分类器；
它可以处理大量的输入变数；
它可以在决定类别时，评估变数的重要性；
在建造森林时，它可以在内部对于一般化后的误差产生不偏差的估计；
它包含一个好方法可以估计遗失的资料，并且，如果有很大一部分的资料遗失，仍可以维持准确度；
它提供一个实验方法，可以去侦测variable interactions；
对于不平衡的分类资料集来说，它可以平衡误差；
它计算各例中的亲近度，对于数据挖掘、侦测离群点（outlier）和将资料视觉化非常有用；
使用上述。它可被延伸应用在未标记的资料上，这类资料通常是使用非监督式聚类。也可侦测偏离者和观看资料；
学习速度快。

简单应用

简单分享一下sklearn官网的例子。
重要说明 sklearn的版本为0.22.1，之前的版本不一定能运行一下代码。

酒的类别预测(SVM vs Random Forests)

数据集来自于sklearn官网例子，已经内置于sklearn中，具体信息可以参考 https://scikit-learn.org/stable/datasets/index.html#wine-recognition-dataset
如果对ROC曲线不甚了解的话，不妨参考这篇大佬的文章.
这里只强调其中一点：AUC值越大，模型的分类效果越好。

代码1

import matplotlib.pyplot as plt
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import plot_roc_curve
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
# 使用官网自带的函数，y是类别，y 取值范围为 {1,2,3}
X, y = load_wine(return_X_y=True)
# 将多分类问题转换为二分类问题
y = y == 2
# 分割为训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
# 训练svc模型
svc = SVC(random_state=42)
svc.fit(X_train, y_train)

可以看到输出内容为：

SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=42, shrinking=True, tol=0.001,verbose=False)

接着查看svc模型的ROC曲线图，代码如下：
代码2

# 效果展示
svc_disp = plot_roc_curve(svc, X_test, y_test)
plt.show()

可以看到如图所示的ROC曲线图：
svc的ROC曲线图
代码3

# 随机森林分类器
rfc = RandomForestClassifier(n_estimators=10, random_state=42)
# 拟合
rfc.fit(X_train, y_train)
ax = plt.gca()
rfc_disp = plot_roc_curve(rfc, X_test, y_test, ax=ax, alpha=0.8)
svc_disp.plot(ax=ax, alpha=0.8)
plt.show()

可以看到RandomForests与SVC的ROC曲线图如下：
在这里插入图片描述
调参工作
svc模型参数中c默认为1实在太小，而随机森林却把参数n_estimators=10，看起来的确有些不公平，不妨调整一下。可以发现n_estimators=3时效果最佳，AUC=0.99，而SVC中的C=300时才能达到0.96的AUC。