scikit-learn库之随机森林
本文主要介绍随机森林的两个模型RandomForestClassifier和RandomForestRegressor，这两个模型调参包括两部分，第一部分是Bagging框架，第二部分是CART决策树的参数。本文会详解介绍RandomForestClassifier模型，然后会对比着讲解RandomForestRegressor模型。
接下来将会讨论上述两者的区别，由于是从官方文档翻译而来，翻译会略有偏颇，有兴趣的也可以去scikit-learn官方文档查看https://scikit-learn.org/stable/modules/classes.html#module-sklearn.ensemble
RandomForestClassifier
使用场景
RandomForestClassfier模型主要解决分类问题，其他也没啥好说的。
代码
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
X, y = make_classification(n_samples=1000, n_features=4,
n_informative=2, n_redundant=0, random_state=0, shuffle=False)clf = RandomForestClassifier(n_estimators=100, max_depth=2, random_state=0)
clf.fit(X, y)RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=2, max_features='auto', max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=100, n_jobs=None,
oob_score=False, random_state=0, verbose=0, warm_start=False)print(clf.feature_importances_)[0.14205973 0.76664038 0.0282433 0.06305659]print(clf.predict([[0, 0, 0, 0]]))[1]参数
- n_estimators：：弱学习器个数，int类型。弱学习的个数，也可以说是弱学习器的最大迭代次数。默认为10。
- criterion：特征选择，str类型。criterion=’gini’表示基尼指数；criterion=’entropy’表示信息增益，推荐使用’gini’。默认为’gini’。
- splitter：特征划分点选择，str类型。splitter=’best’在特征的所有划分点中找出最优的划分点，适合小样本量；splitter=’random’随机的在部分划分点中找到局部最优的划分点，适合大样本量。默认为’best’。
- max_depth：最大深度，int类型。如果样本特征数较少可以使用默认值，如果样本特征数较多一般用max_depty=10-100限制树的最大深度。默认为None。
- min_samples_split：内部节点划分需要最少样本数，float类型。限定子树继续划分的条件，如果某节点的样本数少于min_samples_split，则会停止继续划分子树。如果样本数量过大，建议增大该值，否则建议使用默认值。默认为2。
- min_samples_leaf：叶子节点最少样本数float类型。如果在某次划分叶子节点数目小于样本数，则会和兄弟节点一起剪枝。如果样本数量过大，建议增大该值，否则建议使用默认值。默认为1。
- min_weight_fraction_leaf：叶子节点最小的样本权重和，float类型。该参数限制了叶子节点所有样本权重和的最小值，如果小于该值，则会和兄弟节点一起剪枝。如果样本有角度的缺失值，或者样本的分布偏差较大，则可以考虑权重问题。默认为0。
- max_features：划分的最大特征数，str、int、float类型。max_depth=’log2’表示最多考虑$log_2n$个特征；max_depth={‘sqrt’,’auto’}表示最多考虑$\sqrt{n}$个特征；max_depth=int类型，考虑$|int类型|$个特征；max_depth=float类型，如0.3，则考虑$0.3n$个特征，其中$n$为样本总特征数。默认为None，样本特征数不大于50推荐使用默认值。
- max_leaf_nodes：最大叶子节点数，int类型。限制最大叶子节点数，可以防止树过深，因此可以防止过拟合。默认为None。
- min_impurity_decrease：节点减小不纯度，float类型。如果某节点划分会导致不纯度的减少大于min_impurity_decrease，则停止该节点划分。默认为0。
- min_impurity_split：节点划分最小不纯度，float类型。如果某节点的不纯度小于min_impurity_split，则停止该节点划分，即不生成叶子节点。默认为1e-7(0.0000001)。
- class_weight：类别权重，dict类型或str类型。对于二元分类问题可以使用class_weight={0:0.9,1:0.1}，表示0类别权重为0.9，1类别权重为0.1，str类型即为’balanced’，模型将根据训练集自动修改不同类别的权重。默认为None。
- bootstrp：bool类型。默认为True。构建决策树时是否引导样本。
- oob_score：袋外模型，bool类型。是否采用袋外样本来评估模型的好坏，个人推荐设置为True，因为袋外分数反应了一个模型拟合后的泛化能力。默认为False。
- n_jobs：并行数，int类型。n_jobs=1使用1个cpu运行程序；n_jobs=2，使用2个cpu运行程序；n_jobs=-1，使用所有cpu运行程序。默认为1。
- random_state：随机数种子，int类型。random_state=None，不同时刻产生的随机数据是不同的；random_state=int类型，相同随机数种子不同时刻产生的随机数是相同的。默认为None。
- verbose：日志冗长度，int类型。verbose=0，不输出训练过程；verbose=1，输出部分训练过程；verbose>1，输出所有的训练过程。默认为0。
- warm_start：热启动，bool类型。如果为True，则基于上一个随机森林添加决策树；如果为False，则重新生成一个随机森林。默认为False。
- class_weight：样本类别权重，{dict类型,’balanced’}。给每个类别指定不同的权重，’balanced’将自动分配不同类别样本的权重。默认为None。
属性
- estimators_：list类型。所有决策树集合。
- classes_：array类型。所有类别列表。
- nclasses：int类型。类别个数。
- nfeatures：int类型。特征个数。
- noutputs：int类型。输出个数。
- featureimportances：array类型。特征重要度。
- oobscore：float类型。用袋外模型训练数据的分数。
- oob_decisionfunction：array类型。袋外模型训练数据的决策函数。
方法
- apply(X[, check_input])：返回每个样本预测的叶子节点索引。
- decision_path(X[, check_input])：返回样本X在树中的决策路径。
- fit(X,y)：把数据放入模型中训练模型。
- get_params([deep])：返回模型的参数，可以用于Pipeline中。
- predict(X)：预测样本X的分类类别。
- predict_log_proba(X)：返回样本X在各个类别上对应的对数概率。
- predict_proba(X)：返回样本X在各个类别上对应的概率。
- score(X,y)：基于报告决定系数$R^2$评估模型。
- set_prams(**params)：创建模型参数。
RandomForestRegressor
RandomForestRegressor模型相比较RandomForestClassifier模型解决回归问题。