天天看點
傳回

機器學習之內建學習（七）随機森林scikit-learn庫

一、scikit-learn随機森林類庫概述

        在scikit-learn中，RF的分類類是RandomForestClassifier，回歸類是RandomForestRegressor。RF的變種Extra Trees也有 分類類ExtraTreesClassifier，回歸類ExtraTreesRegressor。由于RF和Extra Trees的差別較小，調參方法基本相同，本文隻關注于RF的調參。

        GBDT的調參類似，RF需要調參的參數也包括兩部分，第一部分是Bagging架構的參數，第二部分是CART決策樹的參數。

二、RF架構參數

        首先關注RF的Bagging架構的參數。這裡可以和GBDT對比來學習。GBDT的架構參數比較多，重要的有最大疊代器個數、步長和子采樣比例，調參起來比較費力。但是RF則比較簡單，這是因為Bagging架構裡的各個弱學習器之間是沒有依賴關系的，這減小了調參的難度。換句話說，達到同樣的調參效果，RF調參時間要比GBDT少一些。

        下面來看看RF重要的Bagging架構的參數，由于RandomForestClassifier和RandomForestRegressor參數絕大部分相同，這裡會一起講，不同點會指出

1) n_estimators

        弱學習器的最大疊代次數，或者說最大的弱學習器的個數。一般來說n_estimators太小，容易欠拟合，n_estimators太大，計算量會太大，并且n_estimators到一定的數量後，再增大n_estimators獲得的模型提升很小，是以一般選擇一個适中的數值。預設是100。

2) oob_score

        是否采用袋外樣本來評估模型的好壞。預設值False。推薦設定為True，因為袋外分數反應了一個模型拟合後的泛化能力。

3) criterion

        CART樹劃分時對特征的評價标準。分類模型和回歸模型的損失函數是不一樣的。分類RF對應的CART分類樹預設是基尼系數gini,另一個可選擇的标準是資訊增益。回歸RF對應的CART回歸樹預設是均方差mse，另一個可以選擇的标準是絕對值差mae。一般來說選擇預設的标準已經很好了。

        從上面可以看出， RF重要的架構參數比較少，主要需要關注的是 n_estimators，即RF最大的決策樹個數。

三、RF決策樹參數

        下面再來看RF的決策樹參數，它要調參的參數基本和GBDT相同，如下：

1) max_features劃分時考慮的最大特征數

        可以使用很多種類型的值，預設是"None"，意味着劃分時考慮所有的特征數；如果是"log2"意味着劃分時最多考慮log2(N)特征；如果是"sqrt"或者"auto"意味着劃分時最多考慮sqrt(N)個特征。如果是整數，代表考慮的特征絕對數。如果是浮點數，代表考慮特征百分比，即考慮（百分比xN）取整後的特征數。其中N為樣本總特征數。一般來說，如果樣本特征數不多，比如小于50，用預設的"None"就可以了，如果特征數非常多，可以靈活使用剛才描述的其他取值來控制劃分時考慮的最大特征數，以控制決策樹的生成時間。

2) max_depth決策樹最大深度

        預設可以不輸入，如果不輸入的話，決策樹在建立子樹的時候不會限制子樹的深度。一般來說，資料少或者特征少的時候可以不管這個值。如果模型樣本量多，特征也多的情況下，推薦限制這個最大深度，具體的取值取決于資料的分布。常用的可以取值10-100之間。

3) min_samples_split内部節點再劃分所需最小樣本數

        這個值限制了子樹繼續劃分的條件，如果某節點的樣本數少于min_samples_split，則不會繼續再嘗試選擇最優特征來進行劃分。 預設是2，如果樣本量不大，不需要管這個值。如果樣本量數量級非常大，則推薦增大這個值。

4) min_samples_leaf葉子節點最少樣本數

        這個值限制了葉子節點最少的樣本數，如果某葉子節點數目小于樣本數，則會和兄弟節點一起被剪枝。 預設是1，可以輸入最少的樣本數的整數，或者最少樣本數占樣本總數的百分比。如果樣本量不大，不需要管這個值。如果樣本量數量級非常大，則推薦增大這個值。

5) min_weight_fraction_leaf葉子節點最小的樣本權重和

        這個值限制了葉子節點所有樣本權重和的最小值，如果小于這個值，則會和兄弟節點一起被剪枝。 預設是0，即不考慮權重問題。一般來說，如果有較多樣本有缺失值，或者分類樹樣本的分布類别偏差很大，就會引入樣本權重，這時就要注意這個值了。

6) max_leaf_nodes最大葉子節點數

        通過限制最大葉子節點數，可以防止過拟合，預設是"None”，即不限制最大的葉子節點數。如果加了限制，算法會建立在最大葉子節點數内最優的決策樹。如果特征不多，可以不考慮這個值，但是如果特征分成多的話，可以加以限制，具體的值可以通過交叉驗證得到。

7) min_impurity_split節點劃分最小不純度

        這個值限制了決策樹的增長，如果某節點的不純度（基于基尼系數，均方差）小于這個門檻值，則該節點不再生成子節點，即為葉子節點 。一般不推薦改動預設值1e-7。

        上面決策樹參數中最重要的包括最大特征數max_features、最大深度max_depth、内部節點再劃分所需最小樣本數min_samples_split和葉子節點最少樣本數min_samples_leaf。

四、RF調參執行個體

        資料的下載下傳位址在這。本例采用袋外分數來評估模型的好壞。

        首先，載入需要的類庫：

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.grid_search import GridSearchCV
from sklearn import cross_validation, metrics

import matplotlib.pylab as plt
%matplotlib inline

        接着，把解壓的資料用下面的代碼載入，順便看看資料的類别分布。

train = pd.read_csv('train_modified.csv')
target='Disbursed' # Disbursed的值就是二進制分類的輸出
IDcol = 'ID'
train['Disbursed'].value_counts()

        可以看到類别輸出如下，也就是類别0占大多數。

0    19680
1      320
Name: Disbursed, dtype: int64

        接着選擇好樣本特征和類别輸出。

x_columns = [x for x in train.columns if x not in [target, IDcol]]
X = train[x_columns]
y = train['Disbursed']

        任何參數都使用預設值，拟合下資料：

rf0 = RandomForestClassifier(oob_score=True, random_state=10)
rf0.fit(X,y)
print rf0.oob_score_
y_predprob = rf0.predict_proba(X)[:,1]
print "AUC Score (Train): %f" % metrics.roc_auc_score(y, y_predprob)

        輸出如下，可見袋外分數已經很高，而且AUC分數也很高。相對于GBDT的預設參數輸出，RF的預設參數拟合效果對本例要好一些。

0.98005
AUC Score (Train): 0.999833

        首先對n_estimators進行網格搜尋：

param_test1 = {'n_estimators':range(10,71,10)}
gsearch1 = GridSearchCV(estimator = RandomForestClassifier(min_samples_split=100,
                                  min_samples_leaf=20,max_depth=8,max_features='sqrt' ,random_state=10), 
                       param_grid = param_test1, scoring='roc_auc',cv=5)
gsearch1.fit(X,y)
gsearch1.grid_scores_, gsearch1.best_params_, gsearch1.best_score_

        輸出結果如下：

([mean: 0.80681, std: 0.02236, params: {'n_estimators': 10},
  mean: 0.81600, std: 0.03275, params: {'n_estimators': 20},
  mean: 0.81818, std: 0.03136, params: {'n_estimators': 30},
  mean: 0.81838, std: 0.03118, params: {'n_estimators': 40},
  mean: 0.82034, std: 0.03001, params: {'n_estimators': 50},
  mean: 0.82113, std: 0.02966, params: {'n_estimators': 60},
  mean: 0.81992, std: 0.02836, params: {'n_estimators': 70}],
{'n_estimators': 60},
0.8211334476626017)

        這樣得到了最佳的弱學習器疊代次數，接着對決策樹最大深度max_depth和内部節點再劃分所需最小樣本數min_samples_split進行網格搜尋。

param_test2 = {'max_depth':range(3,14,2), 'min_samples_split':range(50,201,20)}
gsearch2 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 60, 
                                  min_samples_leaf=20,max_features='sqrt' ,oob_score=True, random_state=10),
   param_grid = param_test2, scoring='roc_auc',iid=False, cv=5)
gsearch2.fit(X,y)
gsearch2.grid_scores_, gsearch2.best_params_, gsearch2.best_score_

        輸出如下：

([mean: 0.79379, std: 0.02347, params: {'min_samples_split': 50, 'max_depth': 3},
  mean: 0.79339, std: 0.02410, params: {'min_samples_split': 70, 'max_depth': 3},
  mean: 0.79350, std: 0.02462, params: {'min_samples_split': 90, 'max_depth': 3},
  mean: 0.79367, std: 0.02493, params: {'min_samples_split': 110, 'max_depth': 3},
  mean: 0.79387, std: 0.02521, params: {'min_samples_split': 130, 'max_depth': 3},
  mean: 0.79373, std: 0.02524, params: {'min_samples_split': 150, 'max_depth': 3},
  mean: 0.79378, std: 0.02532, params: {'min_samples_split': 170, 'max_depth': 3},
  mean: 0.79349, std: 0.02542, params: {'min_samples_split': 190, 'max_depth': 3},
  mean: 0.80960, std: 0.02602, params: {'min_samples_split': 50, 'max_depth': 5},
  mean: 0.80920, std: 0.02629, params: {'min_samples_split': 70, 'max_depth': 5},
  mean: 0.80888, std: 0.02522, params: {'min_samples_split': 90, 'max_depth': 5},
  mean: 0.80923, std: 0.02777, params: {'min_samples_split': 110, 'max_depth': 5},
  mean: 0.80823, std: 0.02634, params: {'min_samples_split': 130, 'max_depth': 5},
  mean: 0.80801, std: 0.02637, params: {'min_samples_split': 150, 'max_depth': 5},
  mean: 0.80792, std: 0.02685, params: {'min_samples_split': 170, 'max_depth': 5},
  mean: 0.80771, std: 0.02587, params: {'min_samples_split': 190, 'max_depth': 5},
  mean: 0.81688, std: 0.02996, params: {'min_samples_split': 50, 'max_depth': 7},
  mean: 0.81872, std: 0.02584, params: {'min_samples_split': 70, 'max_depth': 7},
  mean: 0.81501, std: 0.02857, params: {'min_samples_split': 90, 'max_depth': 7},
  mean: 0.81476, std: 0.02552, params: {'min_samples_split': 110, 'max_depth': 7},
  mean: 0.81557, std: 0.02791, params: {'min_samples_split': 130, 'max_depth': 7},
  mean: 0.81459, std: 0.02905, params: {'min_samples_split': 150, 'max_depth': 7},
  mean: 0.81601, std: 0.02808, params: {'min_samples_split': 170, 'max_depth': 7},
  mean: 0.81704, std: 0.02757, params: {'min_samples_split': 190, 'max_depth': 7},
  mean: 0.82090, std: 0.02665, params: {'min_samples_split': 50, 'max_depth': 9},
  mean: 0.81908, std: 0.02527, params: {'min_samples_split': 70, 'max_depth': 9},
  mean: 0.82036, std: 0.02422, params: {'min_samples_split': 90, 'max_depth': 9},
  mean: 0.81889, std: 0.02927, params: {'min_samples_split': 110, 'max_depth': 9},
  mean: 0.81991, std: 0.02868, params: {'min_samples_split': 130, 'max_depth': 9},
  mean: 0.81788, std: 0.02436, params: {'min_samples_split': 150, 'max_depth': 9},
  mean: 0.81898, std: 0.02588, params: {'min_samples_split': 170, 'max_depth': 9},
  mean: 0.81746, std: 0.02716, params: {'min_samples_split': 190, 'max_depth': 9},
  mean: 0.82395, std: 0.02454, params: {'min_samples_split': 50, 'max_depth': 11},
  mean: 0.82380, std: 0.02258, params: {'min_samples_split': 70, 'max_depth': 11},
  mean: 0.81953, std: 0.02552, params: {'min_samples_split': 90, 'max_depth': 11},
  mean: 0.82254, std: 0.02366, params: {'min_samples_split': 110, 'max_depth': 11},
  mean: 0.81950, std: 0.02768, params: {'min_samples_split': 130, 'max_depth': 11},
  mean: 0.81887, std: 0.02636, params: {'min_samples_split': 150, 'max_depth': 11},
  mean: 0.81910, std: 0.02734, params: {'min_samples_split': 170, 'max_depth': 11},
  mean: 0.81564, std: 0.02622, params: {'min_samples_split': 190, 'max_depth': 11},
  mean: 0.82291, std: 0.02092, params: {'min_samples_split': 50, 'max_depth': 13},
  mean: 0.82177, std: 0.02513, params: {'min_samples_split': 70, 'max_depth': 13},
  mean: 0.82415, std: 0.02480, params: {'min_samples_split': 90, 'max_depth': 13},
  mean: 0.82420, std: 0.02417, params: {'min_samples_split': 110, 'max_depth': 13},
  mean: 0.82209, std: 0.02481, params: {'min_samples_split': 130, 'max_depth': 13},
  mean: 0.81852, std: 0.02227, params: {'min_samples_split': 150, 'max_depth': 13},
  mean: 0.81955, std: 0.02885, params: {'min_samples_split': 170, 'max_depth': 13},
  mean: 0.82092, std: 0.02600, params: {'min_samples_split': 190, 'max_depth': 13}],
{'max_depth': 13, 'min_samples_split': 110},
0.8242016800050813)

        再看看現在模型的袋外分數：

rf1 = RandomForestClassifier(n_estimators= 60, max_depth=13, min_samples_split=110,
                                  min_samples_leaf=20,max_features='sqrt' ,oob_score=True, random_state=10)
rf1.fit(X,y)
print rf1.oob_score_

        輸出結果為：

0.984

        可見此時袋外分數有一定的提高，也就是時候模型的泛化能力增強了。

        對于内部節點再劃分所需最小樣本數min_samples_split，暫時不能一起定下來，因為這個還和決策樹其他的參數存在關聯。下面再對内部節點再劃分所需最小樣本數min_samples_split和葉子節點最少樣本數min_samples_leaf一起調參。

param_test3 = {'min_samples_split':range(80,150,20), 'min_samples_leaf':range(10,60,10)}
gsearch3 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 60, max_depth=13,
                                  max_features='sqrt' ,oob_score=True, random_state=10),
   param_grid = param_test3, scoring='roc_auc',iid=False, cv=5)
gsearch3.fit(X,y)
gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_

        輸出如下：

([mean: 0.82093, std: 0.02287, params: {'min_samples_split': 80, 'min_samples_leaf': 10},
  mean: 0.81913, std: 0.02141, params: {'min_samples_split': 100, 'min_samples_leaf': 10},
  mean: 0.82048, std: 0.02328, params: {'min_samples_split': 120, 'min_samples_leaf': 10},
  mean: 0.81798, std: 0.02099, params: {'min_samples_split': 140, 'min_samples_leaf': 10},
  mean: 0.82094, std: 0.02535, params: {'min_samples_split': 80, 'min_samples_leaf': 20},
  mean: 0.82097, std: 0.02327, params: {'min_samples_split': 100, 'min_samples_leaf': 20},
  mean: 0.82487, std: 0.02110, params: {'min_samples_split': 120, 'min_samples_leaf': 20},
  mean: 0.82169, std: 0.02406, params: {'min_samples_split': 140, 'min_samples_leaf': 20},
  mean: 0.82352, std: 0.02271, params: {'min_samples_split': 80, 'min_samples_leaf': 30},
  mean: 0.82164, std: 0.02381, params: {'min_samples_split': 100, 'min_samples_leaf': 30},
  mean: 0.82070, std: 0.02528, params: {'min_samples_split': 120, 'min_samples_leaf': 30},
  mean: 0.82141, std: 0.02508, params: {'min_samples_split': 140, 'min_samples_leaf': 30},
  mean: 0.82278, std: 0.02294, params: {'min_samples_split': 80, 'min_samples_leaf': 40},
  mean: 0.82141, std: 0.02547, params: {'min_samples_split': 100, 'min_samples_leaf': 40},
  mean: 0.82043, std: 0.02724, params: {'min_samples_split': 120, 'min_samples_leaf': 40},
  mean: 0.82162, std: 0.02348, params: {'min_samples_split': 140, 'min_samples_leaf': 40},
  mean: 0.82225, std: 0.02431, params: {'min_samples_split': 80, 'min_samples_leaf': 50},
  mean: 0.82225, std: 0.02431, params: {'min_samples_split': 100, 'min_samples_leaf': 50},
  mean: 0.81890, std: 0.02458, params: {'min_samples_split': 120, 'min_samples_leaf': 50},
  mean: 0.81917, std: 0.02528, params: {'min_samples_split': 140, 'min_samples_leaf': 50}],
{'min_samples_leaf': 20, 'min_samples_split': 120},
0.8248650279471544)

        最後再對最大特征數max_features調參：

param_test4 = {'max_features':range(3,11,2)}
gsearch4 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 60, max_depth=13, min_samples_split=120,
                                  min_samples_leaf=20 ,oob_score=True, random_state=10),
   param_grid = param_test4, scoring='roc_auc',iid=False, cv=5)
gsearch4.fit(X,y)
gsearch4.grid_scores_, gsearch4.best_params_, gsearch4.best_score_

        輸出如下：

([mean: 0.81981, std: 0.02586, params: {'max_features': 3},
  mean: 0.81639, std: 0.02533, params: {'max_features': 5},
  mean: 0.82487, std: 0.02110, params: {'max_features': 7},
  mean: 0.81704, std: 0.02209, params: {'max_features': 9}],
{'max_features': 7},
0.8248650279471544)

        用搜尋到的最佳參數，再看看最終的模型拟合：

rf2 = RandomForestClassifier(n_estimators= 60, max_depth=13, min_samples_split=120,
                                  min_samples_leaf=20,max_features=7 ,oob_score=True, random_state=10)
rf2.fit(X,y)
print rf2.oob_score_

        此時的輸出為：

0.984

        可見此時模型的袋外分數基本沒有提高，主要原因是0.984已經是一個很高的袋外分數了，如果想進一步需要提高模型的泛化能力，則需要更多的資料。

機器學習 随機森林 scikit-learn
上一篇: scikit-learn中的随機森林模型
下一篇: scikit-learn儲存和加載模型

繼續閱讀