随机森林实战教程-Python-Demo

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
RandomForestClassifierimport 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
DataFrameMapperfrom sklearn.tree import DecisionTreeClassifier from
sklearn.metricsimport 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 support0 0.90 0.93 0.92 22674 1 0.77 0.67 0.72 7488
avg / total0.87 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
<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>
。
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 <https://www.jiqizhixin.com/articles/2017-07-31-3>
kaggle-2美国人口普查年收入50K分类
<https://blog.csdn.net/haluoluo211/article/details/78943332>
数据集下载地址 <https://archive.ics.uci.edu/ml/machine-learning-databases/adult/>

• « 上一篇：人工智能常用10大开发框架和AI库
• » 下一篇：超越halcon速度的二值图像的腐蚀和膨胀，实现目前最快的半径相关类算法（附核心源码）。