用Python實現隨機森林演算法的樣本,python演算法樣本

來源:互聯網
上載者:User

用Python實現隨機森林演算法的樣本,python演算法樣本

擁有高方差使得決策樹(secision tress)在處理特定訓練資料集時其結果顯得相對脆弱。bagging(bootstrap aggregating 的縮寫)演算法從訓練資料的樣本中建立複合模型,可以有效降低決策樹的方差,但樹與樹之間有高度關聯(並不是理想的樹的狀態)。

隨機森林演算法(Random forest algorithm)是對 bagging 演算法的擴充。除了仍然根據從訓練資料樣本建立複合模型之外,隨機森林對用做構建樹(tree)的資料特徵做了一定限制,使得產生的決策樹之間沒有關聯,從而提升演算法效果。

本教程將實現如何用 Python 實現隨機森林演算法。

  • bagged decision trees 與隨機森林演算法的差異;
  • 如何構建含更多方差的裝袋決策樹;
  • 如何將隨機森林演算法運用於預測模型相關的問題。

演算法描述

這個章節將對隨機森林演算法本身以及本教程的演算法實驗所用的聲納資料集(Sonar dataset)做一個簡要介紹。

隨機森林演算法

決策樹啟動並執行每一步都涉及到對資料集中的最優分裂點(best split point)進行貪婪選擇(greedy selection)。

這個機制使得決策樹在沒有被剪枝的情況下易產生較高的方差。整合通過提取訓練資料庫中不同樣本(某一問題的不同表現形式)構建的複合樹及其產生的預測值能夠穩定並降低這樣的高方差。這種方法被稱作引導聚集演算法(bootstrap aggregating),其簡稱 bagging 正好是裝進口袋,袋子的意思,所以被稱為「裝袋演算法」。該演算法的局限在於,由於產生每一棵樹的貪婪演算法是相同的,那麼有可能造成每棵樹選取的分裂點(split point)相同或者極其相似,最終導致不同樹之間的趨同(樹與樹相關聯)。相應地,反過來說,這也使得其會產生相似的預測值,降低原本要求的方差。

我們可以採用限制特徵的方法來建立不一樣的決策樹,使貪婪演算法能夠在建樹的同時評估每一個分裂點。這就是隨機森林演算法(Random Forest algorithm)。

與裝袋演算法一樣,隨機森林演算法從訓練集裡擷取複合樣本並訓練。其不同之處在於,資料在每個分裂點處完全分裂並添加到相應的那棵決策樹當中,且可以只考慮用於儲存屬性的某一固定子集。

對於分類問題,也就是本教程中我們將要探討的問題,其被考慮用於分裂的屬性數量被限定為小於輸入特徵的數量之平方根。代碼如下:

num_features_for_split = sqrt(total_input_features)

這個小更改會讓產生的決策樹各不相同(沒有關聯),從而使得到的預測值更加多樣化。而多樣的預測值組合往往會比一棵單一的決策樹或者單一的裝袋演算法有更優的表現。 

聲納資料集(Sonar dataset)

我們將在本教程裡使用聲納資料集作為輸入資料。這是一個描述聲納反射到不同物體表面後返回的不同數值的資料集。60 個輸入變數表示聲納從不同角度返回的強度。這是一個二元分類問題(binary classification problem),要求模型能夠區分出岩石和金屬柱體的不同材質和形狀,總共有 208 個觀測樣本。

該資料集非常易於理解——每個變數都互有連續性且都在 0 到 1 的標準範圍之間,便於資料處理。作為輸出變數,字串'M'表示金屬礦物質,'R'表示岩石。二者需分別轉換成整數 1 和 0。

通過預測資料集(M 或者金屬礦物質)中擁有最多觀測值的類,零規則演算法(Zero Rule Algorithm)可實現 53% 的精確度。

更多有關該資料集的內容可參見 UCI Machine Learning repository:https://archive.ics.uci.edu/ml/datasets/Connectionist+Bench+(Sonar,+Mines+vs.+Rocks)

免費下載該資料集,將其命名為 sonar.all-data.csv,並儲存到需要被操作的工作目錄當中。

教程

此次教程分為兩個步驟。

1. 分裂次數的計算。

2. 聲納資料集案例研究

這些步驟能讓你瞭解為你自己的預測建模問題實現和應用隨機森林演算法的基礎

1. 分裂次數的計算

在決策樹中,我們通過找到一些特定屬性和屬性的值來確定分裂點,這類特定屬性需表現為其所需的成本是最低的。

分類問題的成本函數(cost function)通常是基尼指數(Gini index),即計算由分裂點產生的資料群組的純度(purity)。對於這樣二元分類的分類問題來說,指數為 0 表示絕對純度,說明類值被完美地分為兩組。

從一棵決策樹中找到最佳分裂點需要在訓練資料集中對每個輸入變數的值做成本評估。

在裝袋演算法和隨機森林中,這個過程是在訓練集的樣本上執行並替換(放回)的。因為隨機森林對輸入的資料要進行行和列的採樣。對於行採樣,採用有放回的方式,也就是說同一行也許會在樣本中被選取和放入不止一次。

我們可以考慮建立一個可以自行輸入屬性的樣本,而不是枚舉所有輸入屬性的值以期找到擷取成本最低的分裂點,從而對這個過程進行最佳化。

該輸入屬性樣本可隨機選取且沒有替換過程,這就意味著在尋找最低成本分裂點的時候每個輸入屬性只需被選取一次。

如下的代碼所示,函數 get_split() 實現了上述過程。它將一定數量的來自待評估資料的輸入特徵和一個資料集作為參數,該資料集可以是實際訓練集裡的樣本。輔助函數 test_split() 用於通過候選的分裂點來分割資料集,函數 gini_index() 用於評估通過建立的行組(groups of rows)來確定的某一分裂點的成本。

以上我們可以看出,特徵列表是通過隨機播放特徵索引產生的。通過枚舉該特徵列表,我們可將訓練集中的特定值評估為合格分裂點。

# Select the best split point for a datasetdef get_split(dataset, n_features): class_values = list(set(row[-1] for row in dataset)) 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)  if index not in features:   features.append(index) for index in features:  for row in dataset:   groups = test_split(index, row[index], dataset)   gini = gini_index(groups, class_values)   if gini < b_score:    b_index, b_value, b_score, b_groups = index, row[index], gini, groups return {'index':b_index, 'value':b_value, 'groups':b_groups}

至此,我們知道該如何改造一棵用於隨機森林演算法的決策樹。我們可將之與裝袋演算法結合運用到真實的資料集當中。

2. 關於聲納資料集的案例研究

在這個部分,我們將把隨機森林演算法用於聲納資料集。本樣本假定聲納資料集的 csv 格式副本已存在於當前工作目錄中,檔案名稱為 sonar.all-data.csv。

首先載入該資料集,將字串轉換成數字,並將輸出資料行從字串轉換成數值 0 和 1. 這個過程是通過輔助函數 load_csv()、str_column_to_float() 和 str_column_to_int() 來分別實現的。

我們將通過 K 折交叉驗證(k-fold cross validatio)來預估得到的學習模型在未知資料上的表現。這就意味著我們將建立並評估 K 個模型並預估這 K 個模型的平均誤差。評估每一個模型是由分類準確度來體現的。輔助函數 cross_validation_split()、accuracy_metric() 和 evaluate_algorithm() 分別實現了上述功能。

裝袋演算法將通過分類和迴歸樹演算法來滿足。輔助函數 test_split() 將資料集分割成不同的組;gini_index() 評估每個分裂點;前文提及的改進過的 get_split() 函數用來擷取分裂點;函數 to_terminal()、split() 和 build_tree() 用以建立單個決策樹;predict() 用於預測;subsample() 為訓練集建立子樣本集; bagging_predict() 對決策樹列表進行預測。

新命名的函數 random_forest() 首先從訓練集的子樣本中建立決策樹列表,然後對其進行預測。

正如我們開篇所說,隨機森林與決策樹關鍵的區別在於前者在建樹的方法上的小小的改變,這一點在運行函數 get_split() 得到了體現。

完整的代碼如下:

# Random Forest Algorithm on Sonar Datasetfrom random import seedfrom random import randrangefrom csv import readerfrom math import sqrt# Load a CSV filedef load_csv(filename): 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 floatdef str_column_to_float(dataset, column): for row in dataset:  row[column] = float(row[column].strip())# Convert string column to integerdef str_column_to_int(dataset, column): 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 foldsdef cross_validation_split(dataset, n_folds): dataset_split = list() dataset_copy = list(dataset) fold_size = len(dataset) / n_folds for i in range(n_folds):  fold = list()  while len(fold) < fold_size:   index = randrange(len(dataset_copy))   fold.append(dataset_copy.pop(index))  dataset_split.append(fold) return dataset_split# Calculate accuracy percentagedef accuracy_metric(actual, predicted): correct = 0 for i in range(len(actual)):  if actual[i] == predicted[i]:   correct += 1 return correct / float(len(actual)) * 100.0# Evaluate an algorithm using a cross validation splitdef evaluate_algorithm(dataset, algorithm, n_folds, *args): folds = cross_validation_split(dataset, n_folds) scores = list() for fold in folds:  train_set =a list(folds)  train_set.remove(fold)  train_set = sum(train_set, [])  test_set = list()  for row in fold:   row_copy = list(row)   test_set.append(row_copy)   row_copy[-1] = None  predicted = algorithm(train_set, test_set, *args)  actual = [row[-1] for row in fold]  accuracy = accuracy_metric(actual, predicted)  scores.append(accuracy) return scores# Split a dataset based on an attribute and an attribute valuedef 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 datasetdef gini_index(groups, class_values): gini = 0.0 for class_value in class_values:  for group in groups:   size = len(group)   if size == 0:    continue   proportion = [row[-1] for row in group].count(class_value) / float(size)   gini += (proportion * (1.0 - proportion)) return gini# Select the best split point for a datasetdef get_split(dataset, n_features): class_values = list(set(row[-1] for row in dataset)) 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)  if index not in features:   features.append(index) for index in features:  for row in dataset:   groups = test_split(index, row[index], dataset)   gini = gini_index(groups, class_values)   if gini < b_score:    b_index, b_value, b_score, b_groups = index, row[index], gini, groups return {'index':b_index, 'value':b_value, 'groups':b_groups}# Create a terminal node valuedef to_terminal(group): outcomes = [row[-1] for row in group] return max(set(outcomes), key=outcomes.count)# Create child splits for a node or make terminaldef split(node, max_depth, min_size, n_features, depth): 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:  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)  split(node['left'], max_depth, min_size, n_features, depth+1) # 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 treedef build_tree(train, max_depth, min_size, n_features): root = get_split(dataset, n_features) split(root, max_depth, min_size, n_features, 1) return root# Make a prediction with a decision treedef predict(node, row): if row[node['index']] < node['value']:  if isinstance(node['left'], dict):   return predict(node['left'], row)  else:   return node['left'] else:  if isinstance(node['right'], dict):   return predict(node['right'], row)  else:   return node['right']# Create a random subsample from the dataset with replacementdef subsample(dataset, ratio): sample = list() n_sample = round(len(dataset) * ratio) while len(sample) < n_sample:  index = randrange(len(dataset))  sample.append(dataset[index]) return sample# Make a prediction with a list of bagged treesdef bagging_predict(trees, row): predictions = [predict(tree, row) for tree in trees] return max(set(predictions), key=predictions.count)# Random Forest Algorithmdef random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features): trees = list() for i in range(n_trees):  sample = subsample(train, sample_size)  tree = build_tree(sample, max_depth, min_size, n_features)  trees.append(tree) predictions = [bagging_predict(trees, row) for row in test] return(predictions)# Test the random forest algorithmseed(1)# load and prepare datafilename = 'sonar.all-data.csv'dataset = load_csv(filename)# convert string attributes to integersfor i in range(0, len(dataset[0])-1): str_column_to_float(dataset, i)# convert class column to integersstr_column_to_int(dataset, len(dataset[0])-1)# evaluate algorithmn_folds = 5max_depth = 10min_size = 1sample_size = 1.0n_features = int(sqrt(len(dataset[0])-1))for n_trees in [1, 5, 10]: 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))))

這裡對第 197 行之後對各項參數的賦值做一個說明。

將 K 賦值為 5 用於交叉驗證,得到每個子樣本為 208/5 = 41.6,即超過 40 條聲納返回記錄會用於每次迭代時的評估。

每棵樹的最大深度設定為 10,每個節點的最小訓練行數為 1. 建立訓練集樣本的大小與未經處理資料集相同,這也是隨機森林演算法的預設預期值。

我們把在每個分裂點需要考慮的特徵數設定為總的特徵數目的平方根,即 sqrt(60)=7.74,取整為 7。

將含有三組不同數量的樹同時進行評估,以表明添加更多的樹可以使該演算法實現的功能更多。

最後,運行這個範例程式碼將會 print 出每組樹的相應分值以及每種結構的平均分值。如下所示:

Trees: 1Scores: [68.29268292682927, 75.60975609756098, 70.73170731707317, 63.41463414634146, 65.85365853658537]Mean Accuracy: 68.780% Trees: 5Scores: [68.29268292682927, 68.29268292682927, 78.04878048780488, 65.85365853658537, 68.29268292682927]Mean Accuracy: 69.756% Trees: 10Scores: [68.29268292682927, 78.04878048780488, 75.60975609756098, 70.73170731707317, 70.73170731707317]Mean Accuracy: 72.683%

擴充

本節會列出一些與本次教程相關的擴充內容。大家或許有興趣一探究竟。

  • 演算法調校(Algorithm Tuning)。本文所用的配置參數或有未被修正的錯誤以及有待商榷之處。用更大規模的樹,不同的特徵數量甚至不同的樹的結構都可以改進實驗結果。
  • 更多問題。該方法同樣適用於其他的分類問題,甚至是用新的成本計算函數以及新的組合樹的預期值的方法使其適用於迴歸演算法。

回顧總結

通過本次教程的探討,你知道了隨機森林演算法是如何?的,特別是:

隨機森林與裝袋決策樹的區別。

如何用決策樹產生隨機森林演算法。

如何將隨機森林演算法應用於解決實際操作中的預測模型問題。

以上就是本文的全部內容,希望對大家的學習有所協助,也希望大家多多支援幫客之家。

聯繫我們

該頁面正文內容均來源於網絡整理,並不代表阿里雲官方的觀點,該頁面所提到的產品和服務也與阿里云無關,如果該頁面內容對您造成了困擾,歡迎寫郵件給我們,收到郵件我們將在5個工作日內處理。

如果您發現本社區中有涉嫌抄襲的內容,歡迎發送郵件至: info-contact@alibabacloud.com 進行舉報並提供相關證據,工作人員會在 5 個工作天內聯絡您,一經查實,本站將立刻刪除涉嫌侵權內容。

A Free Trial That Lets You Build Big!

Start building with 50+ products and up to 12 months usage for Elastic Compute Service

  • Sales Support

    1 on 1 presale consultation

  • After-Sales Support

    24/7 Technical Support 6 Free Tickets per Quarter Faster Response

  • Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.