集成学习2-Bagging+随机森林

1 Bagging集成原理

目标：把下面的圈和方块进行分类

实现过程：
1.采样不同数据集

2.训练分类器

3.平权投票，获取最终结果

4.主要实现过程小结

2 随机森林构造过程

• 随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。
• 随机森林 =Bagging + 决策树

例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个树的结果是False, 那么最终投票结果就是True

• 流程：
  • 1.随机选取m条数据
  • 2.随机选取k个特征
  • 3.训练决策树
  • 4.重复1-3
  • 5.对上面的若决策树进行平权投票
• 随机森林够造过程中的关键步骤（M表示特征数目）：
  • 一次随机选出一个样本，有放回的抽样，重复N次（有可能出现重复的样本）
  • 随机选出m个特征, m <<M，建立决策树
• 为什么要随机抽样训练集？　
  如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的
• 为什么要有放回地抽样？
  如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

3 随机森林api介绍

sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)

• n_estimators：integer，optional（default = 10）森林里的树木数量120,200,300,500,800,1200
• Criterion：string，可选（default =“gini”）分割特征的测量方法
• max_depth：integer或None，可选（默认=无）树的最大深度 5,8,15,25,30
• max_features="auto”,每个决策树的最大特征数量
  • If "auto", then
    max_features=sqrt(n_features).
  • If "sqrt", then
    max_features=sqrt(n_features)(same as "auto").
  • If "log2", then
    max_features=log2(n_features).
  • If None, then
    max_features=n_features.
• bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样
• min_samples_split:节点划分最少样本数
• min_samples_leaf:叶子节点的最小样本数

超参数：n_estimator, max_depth, min_samples_split,min_samples_leaf

4 随机森林预测案例

• 实例化随机森林

# 随机森林去进行预测
* rf = RandomForestClassifier()

• 定义超参数的选择列表

param = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}

• 使用GridSearchCV进行网格搜索

# 超参数调优
gc = GridSearchCV(rf, param_grid=param, cv=2)

gc.fit(x_train, y_train)

# 模型评估
print("随机森林预测的准确率为：", gc.score(x_test, y_test))
# 选择最好的结果的超参数值
gc.best_estimator_

注意
随机森林的建立过程
树的深度、树的个数等需要进行超参数调优

5 bagging集成优点

Bagging + 决策树/线性回归/逻辑回归/深度学习… = bagging集成学习方法

• 优点：
  • 均可在原有算法上提高约2%左右的泛化正确率
  • 简单, 方便, 通用