Python实现的随机森林算法与简单总结-CDA数据分析师官网

热线电话：13121318867

Python实现的随机森林算法与简单总结

2018-02-15

Python实现的随机森林算法与简单总结

本文实例讲述了Python实现的随机森林算法。分享给大家供大家参考，具体如下：

随机森林是数据挖掘中非常常用的分类预测算法，以分类或回归的决策树为基分类器。算法的一些基本要点：

*对大小为m的数据集进行样本量同样为m的有放回抽样；
*对K个特征进行随机抽样，形成特征的子集，样本量的确定方法可以有平方根、自然对数等；
*每棵树完全生成，不进行剪枝；
*每个样本的预测结果由每棵树的预测投票生成（回归的时候，即各棵树的叶节点的平均）

出于个人研究和测试的目的，基于经典的Kaggle 101泰坦尼克号乘客的数据集，建立模型并进行评估。

泰坦尼克号的沉没，是历史上非常著名的海难。突然感到，自己面对的不再是冷冰冰的数据，而是用数据挖掘的方法，去研究具体的历史问题，也是饶有兴趣。言归正传，模型的主要的目标，是希望根据每个乘客的一系列特征，如性别、年龄、舱位、上船地点等，对其是否能生还进行预测，是非常典型的二分类预测问题。数据集的字段名及实例如下：

值得说明的是，SibSp是指sister brother spouse，即某个乘客随行的兄弟姐妹、丈夫、妻子的人数，Parch指parents,children

下面给出整个数据处理及建模过程，基于ubuntu+python 3.4（ anaconda科学计算环境已经集成一系列常用包，pandas numpy sklearn等，这里强烈推荐）

懒得切换输入法，写的时候主要的注释都是英文，中文的注释是后来补充的:-)

# -*- coding: utf-8 -*-

"""

@author: kim

"""

frommodelimport*＃载入基分类器的代码

#ETL:same procedure to training set and test set

training=pd.read_csv('train.csv',index_col=0)

test=pd.read_csv('test.csv',index_col=0)

SexCode=pd.DataFrame([1,0],index=['female','male'],columns=['Sexcode']) ＃将性别转化为０１

training=training.join(SexCode,how='left',on=training.Sex)

training=training.drop(['Name','Ticket','Embarked','Cabin','Sex'],axis=1)＃删去几个不参与建模的变量，包括姓名、船票号，船舱号

test=test.join(SexCode,how='left',on=test.Sex)

test=test.drop(['Name','Ticket','Embarked','Cabin','Sex'],axis=1)

print('ETL IS DONE!')

#MODEL FITTING

#===============PARAMETER AJUSTMENT============

min_leaf=1

min_dec_gini=0.0001

n_trees=5

n_fea=int(math.sqrt(len(training.columns)-1))

#==============================================

'''''

BEST SCORE:0.83

min_leaf=30

min_dec_gini=0.001

n_trees=20

'''

#ESSEMBLE BY RANDOM FOREST

FOREST={}

tmp=list(training.columns)

tmp.pop(tmp.index('Survived'))

feaList=pd.Series(tmp)

fortinrange(n_trees):

# fea=[]

feasample=feaList.sample(n=n_fea,replace=False)#select feature

fea=feasample.tolist()

fea.append('Survived')

# feaNew=fea.append(target)

subset=training.sample(n=len(training),replace=True)#generate the dataset with replacement

subset=subset[fea]

# print(str(t)+' Classifier built on feature:')

# print(list(fea))

FOREST[t]=tree_grow(subset,'Survived',min_leaf,min_dec_gini)#save the tree

#MODEL PREDICTION

#======================

currentdata=training

output='submission_rf_20151116_30_0.001_20'

#======================

prediction={}

forrincurrentdata.index:#a row

prediction_vote={1:0,0:0}

row=currentdata.get(currentdata.index==r)

forninrange(n_trees):

tree_dict=FOREST[n]#a tree

p=model_prediction(tree_dict,row)

prediction_vote[p]+=1

vote=pd.Series(prediction_vote)

prediction[r]=list(vote.order(ascending=False).index)[0]#the vote result

result=pd.Series(prediction,name='Survived_p')

#del prediction_vote

#del prediction

#result.to_csv(output)

t=training.join(result,how='left')

accuracy=round(len(t[t['Survived']==t['Survived_p']])/len(t),5)

print(accuracy)

上述是随机森林的代码，如上所述，随机森林是一系列决策树的组合，决策树每次分裂，用Gini系数衡量当前节点的“不纯净度”，如果按照某个特征的某个分裂点对数据集划分后，能够让数据集的Gini下降最多（显著地减少了数据集输出变量的不纯度），则选为当前最佳的分割特征及分割点。代码如下：

# -*- coding: utf-8 -*-

"""

@author: kim

"""

importpandas as pd

importnumpy as np

#import sklearn as sk

importmath

deftree_grow(dataframe,target,min_leaf,min_dec_gini):

tree={}#renew a tree

is_not_leaf=(len(dataframe)>min_leaf)

ifis_not_leaf:

fea,sp,gd=best_split_col(dataframe,target)

ifgd>min_dec_gini:

tree['fea']=fea

tree['val']=sp

# dataframe.drop(fea,axis=1) #1116 modified

l,r=dataSplit(dataframe,fea,sp)

l.drop(fea,axis=1)

r.drop(fea,axis=1)

tree['left']=tree_grow(l,target,min_leaf,min_dec_gini)

tree['right']=tree_grow(r,target,min_leaf,min_dec_gini)

else:#return a leaf

returnleaf(dataframe[target])

else:

returnleaf(dataframe[target])

returntree

defleaf(class_lable):

tmp={}

foriinclass_lable:

ifiintmp:

tmp[i]+=1

else:

tmp[i]=1

s=pd.Series(tmp)

s.sort(ascending=False)

returns.index[0]

defgini_cal(class_lable):

p_1=sum(class_lable)/len(class_lable)

p_0=1-p_1

gini=1-(pow(p_0,2)+pow(p_1,2))

returngini

defdataSplit(dataframe,split_fea,split_val):

left_node=dataframe[dataframe[split_fea]<=split_val]

right_node=dataframe[dataframe[split_fea]>split_val]

returnleft_node,right_node

defbest_split_col(dataframe,target_name):

best_fea=''#modified 1116

best_split_point=0

col_list=list(dataframe.columns)

col_list.remove(target_name)

gini_0=gini_cal(dataframe[target_name])

n=len(dataframe)

gini_dec=-99999999

forcolincol_list:

node=dataframe[[col,target_name]]

unique=node.groupby(col).count().index

forsplit_pointinunique:#unique value

left_node,right_node=dataSplit(node,col,split_point)

iflen(left_node)>0andlen(right_node)>0:

gini_col=gini_cal(left_node[target_name])*(len(left_node)/n)+gini_cal(right_node[target_name])*(len(right_node)/n)

if(gini_0-gini_col)>gini_dec:

gini_dec=gini_0-gini_col#decrease of impurity

best_fea=col

best_split_point=split_point

#print(col,split_point,gini_0-gini_col)

returnbest_fea,best_split_point,gini_dec

defmodel_prediction(model,row):#row is a df

fea=model['fea']

val=model['val']

left=model['left']

right=model['right']

ifrow[fea].tolist()[0]<=val:#get the value

branch=left

else:

branch=right

if('dict'instr(type(branch) )):

prediction=model_prediction(branch,row)

else:

prediction=branch

returnprediction

实际上，上面的代码还有很大的效率提升的空间，数据集不是很大的情况下，如果选择一个较大的输入参数，例如生成100棵树，就会显著地变慢；同时，将预测结果提交至kaggle进行评测，发现在测试集上的正确率不是很高，比使用sklearn里面相应的包进行预测的正确率（0.77512）要稍低一点 :-( 如果要提升准确率，两个大方向：构造新的特征；调整现有模型的参数。

这里是抛砖引玉，欢迎大家对我的建模思路和算法的实现方法提出修改意见。

CDA数据分析师考试相关入口一览（建议收藏）：

▷ 想报名CDA认证考试，点击>>> “CDA报名”