随机森林模型概述
随机森林（Random Forest）是一种集成学习方法，常用于分类和回归问题。它通过构建多个决策树来进行预测，然后通过取这些树的输出的平均值（回归问题）或投票（分类问题）来提高模型的准确性和鲁棒性。随机森林具有很强的泛化能力，对于复杂的数据集和高维特征空间也表现良好。
特点和工作原理
决策树的集成
随机森林是由多个决策树组成的集成模型。每个决策树都是基学习器，用于对数据进行分类或回归。每个树的输出被整合起来以提高整体模型的性能。
随机性
随机森林引入了随机性，这使得每个决策树都是在不同的数据子集上训练的。具体来说，每个决策树的训练样本是通过有放回抽样（bootstrap抽样）得到的，这意味着某些样本可能在同一个树中出现多次，而其他一些样本可能根本没有出现。
特征的随机选择
在每个决策树的节点上，随机森林只考虑一部分特征进行分裂。这样可以确保每个树都不是完全相同的，增加了整体模型的多样性。
投票或平均
对于分类问题，随机森林采用多数投票的方式，即每个树投票选择的类别最终成为整体模型的输出。对于回归问题，取所有树的输出的平均值作为最终的预测结果。
防止过拟合
随机森林的随机性有助于防止过拟合，使得模型对训练数据的过度拟合的风险降低。
高性能
由于每个树都可以独立训练，随机森林可以通过并行处理快速构建，适用于大规模数据集。
随机森林通过整合多个决策树的意见，减小了单个决策树的过拟合风险，提高了模型的鲁棒性和泛化能力。
什么时候用随机森林分类？
复杂的分类问题
随机森林在处理复杂的分类问题时表现出色，能够捕捉数据中复杂的非线性关系和交互作用。
高维度的特征空间
当数据集具有大量特征时，随机森林通常能够有效地处理高维度的特征空间，而不容易受到维度灾难的影响。
大规模数据集
由于随机森林的训练可以并行化，因此它在处理大规模数据集时具有较好的性能，能够提供相对较快的训练速度。
不平衡的数据集
随机森林对于类别不平衡的问题相对鲁棒，因为在每个决策树的训练中采用了有放回的抽样，使得每个类别都有机会被充分考虑。
不需要过多的特征工程
随机森林对于原始数据的处理相对鲁棒，不太需要进行复杂的特征工程。它能够处理不同类型的特征，包括连续型和离散型特征。
模型解释性要求不高
虽然随机森林能够提供相对好的预测性能，但其模型结构相对复杂，解释性不如一些简单的线性模型。如果对于模型的解释性要求很高，可能需要考虑其他模型。
处理缺失值
随机森林能够有效地处理包含缺失值的数据，无需对缺失值进行额外的处理。
构建和训练的基本步骤
下面是使用Python中的Scikit-Learn库来构建和训练随机森林分类模型的基本步骤：
# 导入必要的库
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
# 假设你有一个包含特征的X和相应标签的y的数据集
# X是特征矩阵，y是目标变量
# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建随机森林分类器
rf_classifier = RandomForestClassifier(n_estimators=100, random_state=42)
# 训练模型
rf_classifier.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = rf_classifier.predict(X_test)
# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')
# 输出更详细的分类报告
print('Classification Report:\n', classification_report(y_test, y_pred))上述代码中的关键步骤包括：
1、导入所需的库。
2、使用train_test_split函数将数据集划分为训练集和测试集。
3、创建RandomForestClassifier对象，设置参数如n_estimators（决策树的数量）等。
4、使用训练集来拟合（训练）模型。
5、使用训练后的模型对测试集进行预测。
6、使用accuracy_score和classification_report等指标来评估模型性能。
注意，随机森林有许多超参数，如n_estimators、max_depth等，你可以根据具体问题进行调整以优化模型性能。
案例代码1
在这个案例中，使用一个流行的数据集，即Iris（鸢尾花）数据集。这个数据集包含了三个不同种类的鸢尾花（Setosa、Versicolor和Virginica），每个种类有四个特征（花瓣长度、花瓣宽度、花萼长度和花萼宽度）。
首先，确保你已经安装了Scikit-Learn库。你可以使用以下命令安装：
pip install scikit-learn然后，你可以使用以下Python代码来创建和训练随机森林分类模型：
# 导入必要的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target
# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建随机森林分类器
rf_classifier = RandomForestClassifier(n_estimators=100, random_state=42)
# 训练模型
rf_classifier.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = rf_classifier.predict(X_test)
# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')
# 输出更详细的分类报告
print('Classification Report:\n', classification_report(y_test, y_pred))在这个案例中，使用了鸢尾花数据集，将数据集划分为训练集和测试集，创建了一个包含100个决策树的随机森林分类器，并输出了模型的准确度和分类报告。你可以根据你的实际需求和数据集进行调整和修改。
案例代码2
随机森林需要调整的参数有：
（1） 决策树的个数
（2） 特征属性的个数
（3） 递归次数（即决策树的深度）
from numpy import inf
from numpy import zeros
import numpy as np
from sklearn.model_selection import train_test_split
#生成数据集。数据集包括标签，全包含在返回值的dataset上
def get_Datasets():
from sklearn.datasets import make_classification
dataSet,classLabels=make_classification(n_samples=200,n_features=100,n_classes=2)
#print(dataSet.shape,classLabels.shape)
return np.concatenate((dataSet,classLabels.reshape((-1,1))),axis=1)
#切分数据集，实现交叉验证。可以利用它来选择决策树个数。但本例没有实现其代码。
#原理如下：
#第一步，将训练集划分为大小相同的K份；
#第二步，我们选择其中的K-1分训练模型，将用余下的那一份计算模型的预测值，
#这一份通常被称为交叉验证集；第三步，我们对所有考虑使用的参数建立模型
#并做出预测，然后使用不同的K值重复这一过程。
#然后是关键，我们利用在不同的K下平均准确率最高所对应的决策树个数
#作为算法决策树个数
def splitDataSet(dataSet,n_folds): #将训练集划分为大小相同的n_folds份；
fold_size=len(dataSet)/n_folds
data_split=[]
begin=0
end=fold_size
for i in range(n_folds):
data_split.append(dataSet[begin:end,:])
begin=end
end+=fold_size
return data_split
#构建n个子集
def get_subsamples(dataSet,n):
subDataSet=[]
for i in range(n):
index=[] #每次都重新选择k个 索引
for k in range(len(dataSet)): #长度是k
index.append(np.random.randint(len(dataSet))) #(0,len(dataSet)) 内的一个整数
subDataSet.append(dataSet[index,:])
return subDataSet
# subDataSet=get_subsamples(dataSet,10)
#############################################################################
#根据某个特征及值对数据进行分类
def binSplitDataSet(dataSet,feature,value):
mat0=dataSet[np.nonzero(dataSet[:,feature]>value)[0],:]
mat1=dataSet[np.nonzero(dataSet[:,feature]<value)[0],:]
return mat0,mat1
'''
feature=2
value=1
dataSet=get_Datasets()
mat0,mat1= binSplitDataSet(dataSet,2,1)
'''
#计算方差，回归时使用
def regErr(dataSet):
return np.var(dataSet[:,-1])*np.shape(dataSet)[0]
#计算平均值，回归时使用
def regLeaf(dataSet):
return np.mean(dataSet[:,-1])
def MostNumber(dataSet): #返回多类
#number=set(dataSet[:,-1])
len0=len(np.nonzero(dataSet[:,-1]==0)[0])
len1=len(np.nonzero(dataSet[:,-1]==1)[0])
if len0>len1:
return 0
else:
return 1
#计算基尼指数 一个随机选中的样本在子集中被分错的可能性 是被选中的概率乘以被分错的概率
def gini(dataSet):
corr=0.0
for i in set(dataSet[:,-1]): #i 是这个特征下的 某个特征值
corr+=(len(np.nonzero(dataSet[:,-1]==i)[0])/len(dataSet))**2
return 1-corr
def select_best_feature(dataSet,m,alpha="huigui"):
f=dataSet.shape[1] #拿过这个数据集，看这个数据集有多少个特征，即f个
index=[]
bestS=inf;
bestfeature=0;bestValue=0;
if alpha=="huigui":
S=regErr(dataSet)
else:
S=gini(dataSet)
for i in range(m):
index.append(np.random.randint(f)) #在f个特征里随机，注意是随机！选择m个特征，然后在这m个特征里选择一个合适的分类特征。
for feature in index:
for splitVal in set(dataSet[:,feature]): #set() 函数创建一个无序不重复元素集，用于遍历这个特征下所有的值
mat0,mat1=binSplitDataSet(dataSet,feature,splitVal)
if alpha=="huigui": newS=regErr(mat0)+regErr(mat1) #计算每个分支的回归方差
else:
newS=gini(mat0)+gini(mat1) #计算被分错率
if bestS>newS:
bestfeature=feature
bestValue=splitVal
bestS=newS
if (S-bestS)<0.001 and alpha=="huigui": # 对于回归来说，方差足够了，那就取这个分支的均值
return None,regLeaf(dataSet)
elif (S-bestS)<0.001:
#print(S,bestS)
return None,MostNumber(dataSet) #对于分类来说，被分错率足够下了，那这个分支的分类就是大多数所在的类。
#mat0,mat1=binSplitDataSet(dataSet,feature,splitVal)
return bestfeature,bestValue
def createTree(dataSet,alpha="huigui",m=20,max_level=10): #实现决策树，使用20个特征，深度为10，
bestfeature,bestValue=select_best_feature(dataSet,m,alpha=alpha)
if bestfeature==None:
return bestValue
retTree={}
max_level-=1
if max_level<0: #控制深度
return regLeaf(dataSet)
retTree['bestFeature']=bestfeature
retTree['bestVal']=bestValue
lSet,rSet=binSplitDataSet(dataSet,bestfeature,bestValue) #lSet是根据特征bestfeature分到左边的向量，rSet是根据特征bestfeature分到右边的向量
retTree['right']=createTree(rSet,alpha,m,max_level)
retTree['left']=createTree(lSet,alpha,m,max_level) #每棵树都是二叉树，往下分类都是一分为二。
#print('retTree:',retTree)
return retTree
def RondomForest(dataSet,n,alpha="huigui"): #树的个数
#dataSet=get_Datasets()
Trees=[] # 设置一个空树集合
for i in range(n):
X_train, X_test, y_train, y_test = train_test_split(dataSet[:,:-1], dataSet[:,-1], test_size=0.33, random_state=42)
X_train=np.concatenate((X_train,y_train.reshape((-1,1))),axis=1)
Trees.append(createTree(X_train,alpha=alpha))
return Trees # 生成好多树
###################################################################
#预测单个数据样本，重头！！如何利用已经训练好的随机森林对单个样本进行 回归或分类！
def treeForecast(trees,data,alpha="huigui"):
if alpha=="huigui":
if not isinstance(trees,dict): #isinstance() 函数来判断一个对象是否是一个已知的类型
return float(trees)
if data[trees['bestFeature']]>trees['bestVal']: # 如果数据的这个特征大于阈值，那就调用左支
if type(trees['left'])=='float': #如果左支已经是节点了，就返回数值。如果左支还是字典结构，那就继续调用， 用此支的特征和特征值进行选支。
return trees['left']
else:
return treeForecast(trees['left'],data,alpha)
else:
if type(trees['right'])=='float':
return trees['right']
else:
return treeForecast(trees['right'],data,alpha)
else:
if not isinstance(trees,dict): #分类和回归是同一道理
return int(trees)
if data[trees['bestFeature']]>trees['bestVal']:
if type(trees['left'])=='int':
return trees['left']
else:
return treeForecast(trees['left'],data,alpha)
else:
if type(trees['right'])=='int':
return trees['right']
else:
return treeForecast(trees['right'],data,alpha)
#随机森林 对 数据集打上标签 0、1 或者是 回归值
def createForeCast(trees,test_dataSet,alpha="huigui"):
cm=len(test_dataSet)
yhat=np.mat(zeros((cm,1)))
for i in range(cm): #
yhat[i,0]=treeForecast(trees,test_dataSet[i,:],alpha) #
return yhat
#随机森林预测
def predictTree(Trees,test_dataSet,alpha="huigui"): #trees 是已经训练好的随机森林 调用它！
cm=len(test_dataSet)
yhat=np.mat(zeros((cm,1)))
for trees in Trees:
yhat+=createForeCast(trees,test_dataSet,alpha) #把每次的预测结果相加
if alpha=="huigui": yhat/=len(Trees) #如果是回归的话，每棵树的结果应该是回归值，相加后取平均
else:
for i in range(len(yhat)): #如果是分类的话，每棵树的结果是一个投票向量，相加后，
#看每类的投票是否超过半数，超过半数就确定为1
if yhat[i,0]>len(Trees)/2:
yhat[i,0]=1
else:
yhat[i,0]=0
return yhat
if __name__ == '__main__' :
dataSet=get_Datasets()
print(dataSet[:,-1].T) #打印标签，与后面预测值对比 .T其实就是对一个矩阵的转置
RomdomTrees=RondomForest(dataSet,4,alpha="fenlei") #这里我训练好了 很多树的集合，就组成了随机森林。一会一棵一棵的调用。
print("---------------------RomdomTrees------------------------")
#print(RomdomTrees[0])
test_dataSet=dataSet #得到数据集和标签
yhat=predictTree(RomdomTrees,test_dataSet,alpha="fenlei") # 调用训练好的那些树。综合结果，得到预测值。
print(yhat.T)
#get_Datasets()
print(dataSet[:,-1].T-yhat.T)