随机森林实战教程-Python-Demo

╰半橙微兮° 2022-05-17 02:17 214阅读 0赞

### 前言 ###

随机森林Python版本有很可以调用的库，使用随机森林非常方便，主要用到以下的库：

*  sklearn  
    
 *  pandas  
    
 *  numpy
 *  ### 随机森林入门 ###
    
    我们先通过一段代码来了解Python中如何使用随机森林。
    
        from sklearn.datasets import load_iris
        from sklearn.ensemble import RandomForestClassifier
        import pandas as pd
        import numpy as np
        
        iris = load_iris()   # 这里是sklearn中自带的一部分数据
        df = pd.DataFrame(iris.data, columns=iris.feature_names) # 格式化数据
        print (df)          # 
        df['is_train'] = np.random.uniform(0, 1, len(df)) <= .75
        df['species'] = pd.Categorical.from_codes(iris.target, iris.target_names)  ## 新接口 数据
        df.head()
        
        train, test = df[df['is_train']==True], df[df['is_train']==False]
        
        features = df.columns[:4]
        clf = RandomForestClassifier(n_jobs=2)
        y, _ = pd.factorize(train['species'])
        clf.fit(train[features], y)  # 用train来训练样本
        
        test_pred=clf.predict(test[features])   #用测试数据来做预测
        preds = iris.target_names[test_pred]
        pd.crosstab(test['species'], preds, rownames=['actual'], colnames=['preds'])
    
    上述是一个利用sklearn的数据做的
    
    ### kaggle-美国人口普查年收入比赛 ###
    
    现在我们在kaggle上的数据集上做一次实验，这个数据集有训练集和测试集，训练集便于我们训练模型，测试集用来校验我们模型的正确性，这是最简单的。  
    
 *  需要导入的库
 *      import pandas as pd  # load csv's (pd.read_csv)
        import numpy as np   # math (lin. algebra)
        
        import sklearn as skl   # machine learning
        from sklearn.ensemble import RandomForestClassifier
        #from plotnine import *
        import matplotlib.pyplot as plt
        from sklearn.preprocessing import LabelEncoder
        from sklearn_pandas import DataFrameMapper
        from sklearn.tree import DecisionTreeClassifier
        from sklearn.metrics import classification_report
 *  数据读取
 *      def get_train_data():
        #下面两个文件路径替换为你电脑上该文件的路径
            train_path = "D:/workspace/Data/kggal/AmericaIncome/adult.data"
            test_path = 'D:/workspace/Data/kggal/AmericaIncome/adult.test'
            columns = ['Age','Workclass','fnlgwt','Education','EdNum','MaritalStatus','Occupation','Relationship','Race','Sex','CapitalGain','CapitalLoss','HoursPerWeek','Country','Income']
            df_train_set = pd.read_csv(train_path, names=columns)
            #print(df_train_set.head())
            return df_train_set
        
        def get_test_data():
            test_path = 'D:/workspace/Data/kggal/AmericaIncome/adult.test'
            columns = ['Age','Workclass','fnlgwt','Education','EdNum','MaritalStatus','Occupation','Relationship','Race','Sex','CapitalGain','CapitalLoss','HoursPerWeek','Country','Income']
            df_test_set = pd.read_csv(test_path, names=columns)
            #print(df_test_set.head())
            return df_test_set
 *  数据预处理
 *      df_train_set=get_train_data()
        df_test_set=get_test_data()
        
        df_train_set.drop('fnlgwt', axis=1, inplace=True) df_test_set.drop('fnlgwt', axis=1, inplace=True) print(df_train_set.replace(' ?', np.nan).shape) #(32561, 14) print(df_train_set.replace(' ?', np.nan).dropna().shape) # (30162, 15) print(df_test_set.replace(' ?', np.nan).shape) #(16282, 14) print(df_test_set.replace(' ?', np.nan).dropna().shape) # (15060, 15) # 删除含有?（缺失行） train_set = df_train_set.replace(' ?', np.nan).dropna() test_set = df_test_set.replace(' ?', np.nan).dropna() # 把测试语料集中的 Income 归一化 test_set['Income'] = test_set.Income.replace({ ' <=50K.': ' <=50K', ' >50K.': ' >50K'}) print(test_set.Income.unique()) # [' <=50K' ' >50K'] print(df_train_set.Income.unique()) # [' <=50K' ' >50K'] # 因为有 受教育的年数，所以这里不需要教育这一列 train_set.drop(["Education"], axis=1, inplace=True) test_set.drop(["Education"], axis=1, inplace=True)
 *  将数据中的特征向量化以及得到特征值、预测值分开
 *      combined_set = pd.concat([train_set, test_set], axis=0)
        for feature in combined_set.columns:
            if combined_set[feature].dtype == 'object':
                combined_set[feature] = pd.Categorical(combined_set[feature]).codes
        
        train_set = combined_set[:train_set.shape[0]]
        test_set = combined_set[test_set.shape[0]:]
        print(train_set.Workclass.unique())
        print(test_set.Income.unique())
        
        cols = list(train_set.columns)
        cols.remove("Income")
        
        x_train, y_train = train_set[cols].values, train_set["Income"].values
        #测试集的输入和输出结果分开，用来校验模型的准确率
        x_test, y_test = test_set[cols].values, test_set["Income"].values
 *  预测模型
 *      treeClassifier = DecisionTreeClassifier()
        treeClassifier.fit(x_train, y_train) # 训练模型
        treeClassifier.score(x_test, y_test)
        print(treeClassifier.score(x_test, y_test))
        # 输出为：0.8700351435581195
        y_pred = treeClassifier.predict(x_test)  # 用测试集做预测
        print(classification_report(y_test, y_pred)) # 查看模型的预测值与真实值
        #输出为
                     precision    recall  f1-score   support
        
                  0       0.90      0.93      0.92     22674
                  1       0.77      0.67      0.72      7488
        
        avg / total       0.87      0.87      0.87     30162
    
    从上面的输出结果可以看到，最简单的随机森林模型，没有加任何参数优化、交叉验证等等，可以达到的准确率为87%左右，而且这个数据集规模较大，训练集3万多条，测试集1万多条，其结果也较为合理，之后的文章会讲解一下优化方面的内容。
    
    ### 总结 ###
    
    随机森林算法模型的形式化描述如下：  
    
 *  训练入参  
    n个特征加一个分类结果
 *      特征1 特征2 特征3 特征4 ... 特征n 分类结果
 *  预测入参  
    预测的入参就是n个特征
 *      特征1 特征2 特征3 特征4 ... 特征n
    
    本文中不同特征中的数据并没有进行归一化处理，很多特征的量化数值很大，其实都可以`归一化`处理一下，这样就不会被某一个特征影响掉，后期可以考虑优化一下，然后整个算法的训练模型部分的代码量其实没多少，前期很多代码都是数据集的`预处理`，将不符合规范的数据集去掉，以及将数据中的字符特征转换为数值特征，这样便于模型训练。其实很多数据都是这样的，必须知道所有的数据情况，这里数据集的唯一好处是告诉你了特征有那些，如果没有告诉你特征，你就必须自己提取特征，在很多比赛中都是要自己思考需要那些特征，建议参考天池大数据的技术圈中，往届比赛大家的分享–>[天池新人实战赛o2o优惠券使用预测][o2o]。  
    随机森林有以下缺陷：  
    
 *  当我们需要推断超出范围的独立变量或非独立变量，随机森林做得并不好，我们最好使用如 MARS 那样的算法。  
    
 *  随机森林算法在训练和预测时都比较慢。  
    
 *  如果需要区分的类别十分多，随机森林的表现并不会很好。  
    最后，感谢下面两个博客文章，也是从别人的内容上学。这是简单的实战文章，之后我会去了解一些量化分析、算法优化方面的内容，
 *  ### 参考博客 ###
    
    [从决策树到随机森林：树型算法的原理与实现][Link 1]  
    [kaggle-2美国人口普查年收入50K分类][kaggle-2_50K]  
    [数据集下载地址][Link 2]

[o2o]: https://tianchi.aliyun.com/forum/game_detail.htm?spm=5176.100067.5678.5.3d321db7rmi8YP#raceId=231593&game=%E5%A4%A9%E6%B1%A0%E6%96%B0%E4%BA%BA%E5%AE%9E%E6%88%98%E8%B5%9Bo2o%E4%BC%98%E6%83%A0%E5%88%B8%E4%BD%BF%E7%94%A8%E9%A2%84%E6%B5%8B
[Link 1]: https://www.jiqizhixin.com/articles/2017-07-31-3
[kaggle-2_50K]: https://blog.csdn.net/haluoluo211/article/details/78943332
[Link 2]: https://archive.ics.uci.edu/ml/machine-learning-databases/adult/