政安晨：机器学习快速入门（四）{pandas与scikit-learn} {随机森林}

news2024/10/6 5:59:30

咱们将在这篇文章中使用更复杂的机器学习算法。

随机森林

基本定义

随机森林(Random Forest)是一种机器学习算法，属于集成学习(ensemble learning)的一种。它是通过构建多个决策树（即森林）来进行预测和分类的。

随机森林的主要特点是采用了随机采样和随机特征选择的方法，以降低模型的方差和减小过拟合的风险。在随机森林中，对于每个决策树的构建，会从训练集中随机选择一部分样本进行有放回抽样，同时也会随机选择一部分特征进行划分，以减少决策树间的相关性。

在预测时，随机森林通过让每个决策树进行独立的预测，然后根据投票或平均值来决定最终的预测结果。这样可以提高模型的准确性、鲁棒性和稳定性。

随机森林广泛应用于分类、回归和特征选择等领域，其在处理大规模和高维数据时也具有良好的性能。同时，随机森林还能够评估变量的重要性、处理缺失值和处理不平衡数据等问题，因此在实际应用中得到了广泛使用。

做个说明

决策树给你留下了一个困难的决定。一棵包含许多叶子节点的深树会过拟合，因为每个预测都只来自其叶子节点中的少数房屋的历史数据。但是，一棵只有少数叶子节点的浅树表现较差，因为它无法捕捉到原始数据中的许多差异。

即使是当今最复杂的建模技术，也面临着欠拟合和过拟合之间的紧张关系。但是，许多模型有着聪明的想法可以提高性能。我们以随机森林为例进行说明。

随机森林使用多棵树，并通过对每棵组成树的预测进行平均来进行预测。它通常比单棵决策树具有更好的预测准确性，并且在默认参数下工作良好。如果您继续建模，可以学习到更多性能更好的模型，但其中许多对于获取正确参数非常敏感。

举个例子

您已经多次看到了加载数据的代码。在数据加载结束时，我们有以下变量：

train_X
val_X
train_y
val_y

咱们现在继续使用与前几篇类似的代码：

import pandas as pd
    
# Load data
melbourne_file_path = './melb_data.csv'
melbourne_data = pd.read_csv(melbourne_file_path) 
# Filter rows with missing values
melbourne_data = melbourne_data.dropna(axis=0)
# Choose target and features
y = melbourne_data.Price
melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'BuildingArea', 
                        'YearBuilt', 'Lattitude', 'Longtitude']
X = melbourne_data[melbourne_features]

from sklearn.model_selection import train_test_split

# split data into training and validation data, for both features and target
# The split is based on a random number generator. Supplying a numeric value to
# the random_state argument guarantees we get the same split every time we
# run this script.
train_X, val_X, train_y, val_y = train_test_split(X, y,random_state = 0)

我们使用scikit-learn类似于构建决策树的方式构建随机森林模型 —— 这次使用RandomForestRegressor类而不是DecisionTreeRegressor类。

代码如下：

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

forest_model = RandomForestRegressor(random_state=1)
forest_model.fit(train_X, train_y)
melb_preds = forest_model.predict(val_X)
print(mean_absolute_error(val_y, melb_preds))

{还是依旧做个说明}

如果大家第一次看到这篇文章，那么搭建环境、前因后果等等都参看我的前三篇文章：

政安晨：机器学习快速入门（一）{基于Python与Pandas}https://blog.csdn.net/snowdenkeke/article/details/136046028政安晨：机器学习快速入门（二）{基于Python与Pandas} {建立您的第一个机器学习模型}https://blog.csdn.net/snowdenkeke/article/details/136047590政安晨：机器学习快速入门（三）{pandas与scikit-learn} {模型验证及欠拟合与过拟合}https://blog.csdn.net/snowdenkeke/article/details/136051177好啦，咱们现在开始执行上述代码：