在數(shù)據(jù)挖掘的過(guò)程中，我們經(jīng)常會(huì)遇到一些問(wèn)題，比如：如何選擇各種分類(lèi)器，到底選擇哪個(gè)分類(lèi)算法，是SVM、決策樹(shù)、還是KNN？如何優(yōu)化分類(lèi)器的參數(shù)，以便得到更好的分類(lèi)準(zhǔn)確率？

隨機(jī)森林分類(lèi)器

隨機(jī)森林的英文是 Random Forest，英文簡(jiǎn)寫(xiě)是 RF。它是一個(gè)包含多個(gè)決策樹(shù)的分類(lèi)器，每一個(gè)子分類(lèi)器都是一棵 CART 分類(lèi)回歸樹(shù)。所以隨機(jī)森林既可以做分類(lèi)，又可以做回歸。

• 當(dāng)它做分類(lèi)的時(shí)候，輸出結(jié)果是每個(gè)子分類(lèi)器的分類(lèi)結(jié)果中最多的那個(gè)?？梢岳斫馐敲總€(gè)分類(lèi)器都做投票，取投票最多的那個(gè)結(jié)果。
• 當(dāng)它做回歸的時(shí)候，輸出結(jié)果是每棵 CART 樹(shù)的回歸結(jié)果的平均值。

在 sklearn 中，我們使用 RandomForestClassifier() 構(gòu)造隨機(jī)森林模型，函數(shù)里有一些常用的構(gòu)造參數(shù)：

• n_estimators: 隨機(jī)森林里決策樹(shù)的個(gè)數(shù)，默認(rèn)是10
• criterion：決策樹(shù)分裂的標(biāo)準(zhǔn)，默認(rèn)是基尼指數(shù)（CART算法），也可以選擇entropy（ID3算法）
• max_depth: 決策樹(shù)的最大深度，默認(rèn)是None, 不限制
• n_jobs：擬合和預(yù)測(cè)的時(shí)候CPU的核數(shù)，默認(rèn)是1

GridSearchCV 對(duì)模型參數(shù)進(jìn)行調(diào)優(yōu)

分類(lèi)算法，我們經(jīng)常需要調(diào)節(jié)網(wǎng)絡(luò)參數(shù)（對(duì)應(yīng)上面的構(gòu)造參數(shù)），目的是得到更好的分類(lèi)結(jié)果。實(shí)際上一個(gè)分類(lèi)算法有很多參數(shù)，取值范圍也比較廣，那么該如何調(diào)優(yōu)呢？

Python 給我們提供了一個(gè)很好用的工具 GridSearchCV，它是Python的參數(shù)自動(dòng)搜索模塊，能夠自動(dòng)決策最優(yōu)參數(shù)。

我們使用 GridSearchCV(estimator, param_grid, cv=None, scoring=None) 構(gòu)造參數(shù)的自動(dòng)搜索模塊，這里有一些主要的參數(shù)需要說(shuō)明：

• estimator：代表采用的分類(lèi)器，如隨機(jī)森林、決策樹(shù)、SVM、KNN等
• param_grid： 代表想要優(yōu)化的參數(shù)及取值
• cv： 交叉驗(yàn)證的折數(shù)，默認(rèn)是None, 代表使用三折交叉驗(yàn)證
• scoring：準(zhǔn)確度的評(píng)價(jià)標(biāo)準(zhǔn)，默認(rèn)是None， 也就是需要使用score函數(shù)

舉例，我們使用sklearn自帶的IRIS數(shù)據(jù)集，采用隨機(jī)森林對(duì)IRIS數(shù)據(jù)分類(lèi)。如果我們想知道n_estimators在1-10的范圍內(nèi)取哪個(gè)值的分類(lèi)結(jié)果最好，可以編寫(xiě)代碼如下：

# -*- coding: utf-8 -*-
# 使用RandomForest對(duì)IRIS數(shù)據(jù)集進(jìn)行分類(lèi)
# 利用GridSearchCV尋找最優(yōu)參數(shù)

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

rf = RandomForestClassifier()
parameters = {"n_estimators": range(1, 11)}
iris = load_iris()

# 使用GridSearchCV進(jìn)行參數(shù)調(diào)優(yōu)
clf = GridSearchCV(estimator=rf, param_grid=parameters)

# 對(duì)iris數(shù)據(jù)集進(jìn)行分類(lèi)
clf.fit(iris.data, iris.target)

print("最優(yōu)分?jǐn)?shù)： %.4lf" % clf.best_score_)
print("最優(yōu)參數(shù)：", clf.best_params_)

運(yùn)行結(jié)果：

最優(yōu)分?jǐn)?shù)： 0.9600
最優(yōu)參數(shù)： {'n_estimators': 3}

使用 Pipeline 進(jìn)行流水線作業(yè)

在進(jìn)行數(shù)據(jù)分類(lèi)的時(shí)候往往都是有多個(gè)步驟的，比如先對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理，也可以用PCA對(duì)數(shù)據(jù)降維，最后再使用分類(lèi)器進(jìn)行分類(lèi)。

Python有一種Pipeline管道機(jī)制。管道機(jī)制就是讓我們把每一步都按順序列下來(lái)，從而創(chuàng)建Pipeline流水線作業(yè)。每一步都采用（‘名稱’，步驟）的方式來(lái)表示。

那么我們現(xiàn)在采用Pipeline管道機(jī)制，用隨機(jī)森林對(duì)IRIS數(shù)據(jù)集做一下分類(lèi)。先用StandardScaler方法對(duì)數(shù)據(jù)規(guī)范化，即采用數(shù)據(jù)規(guī)范化為均值為0，方差為1的正態(tài)分布，然后采用PCA方法對(duì)數(shù)據(jù)進(jìn)行降維，最后采用隨機(jī)森林進(jìn)行分類(lèi)，編寫(xiě)代碼如下：

from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

rf = RandomForestClassifier()
parameters = {"randomforestclassifier__n_estimators": range(1, 11)}
iris = load_iris()
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('pca', PCA()),
    ('randomforestclassifier', rf)
])

clf = GridSearchCV(estimator=pipeline, param_grid=parameters)
clf.fit(iris.data, iris.target)
print("最優(yōu)分?jǐn)?shù)： %.4lf" % clf.best_score_)
print("最優(yōu)參數(shù)：", clf.best_params_)

運(yùn)行結(jié)果如下：

最優(yōu)分?jǐn)?shù)： 0.9600
最優(yōu)參數(shù)： {'randomforestclassifier__n_estimators': 9}

到此這篇關(guān)于Python實(shí)現(xiàn)隨機(jī)森林算法的示例代碼的文章就介紹到這了,更多相關(guān)Python隨機(jī)森林算法內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論