diff --git a/docs/7.集成方法-随机森林和AdaBoost.md b/docs/7.集成方法-随机森林和AdaBoost.md index bb1bb066..99c0caf8 100644 --- a/docs/7.集成方法-随机森林和AdaBoost.md +++ b/docs/7.集成方法-随机森林和AdaBoost.md @@ -6,26 +6,26 @@ * 概念：是对其他算法进行组合的一种形式。 * 通俗来说： 当做重要决定时，大家可能都会考虑吸取多个专家而不只是一个人的意见。 - 机器学习处理问题时又何尝不是如此？ 这就是元算法(meta-algorithm)背后的思想。 + 机器学习处理问题时又何尝不是如此？ 这就是集成方法背后的思想。 * 集成方法： - 1. 投票选举(bagging: 自举汇聚法 bootstrap aggregating): 是基于数据随机重抽样的分类器构造方法 + 1. 投票选举(bagging: 自举汇聚法 bootstrap aggregating): 是基于数据随机重抽样分类器构造的方法 2. 再学习(boosting): 是基于所有分类器的加权求和的方法 -> bagging 和 boosting 区别是什么？ - -1. bagging 是一种与 boosting 很类似的技术, 所使用的多个分类器的类型（数据量和特征量）都是一致的。 -2. bagging 是由不同的分类器（1.数据随机的 2.特征随机的）训练，综合得出的出现最多分类结果；boosting 是通过调整已有分类器错分的那些数据来获得新的分类器，得出目前最优的结果。 -3. bagging 中的分类器权重是相等的；而 boosting 中的分类器加权求和，所以权重并不相等，每个权重代表的是其对应分类器在上一轮迭代中的成功度。 - ## 集成方法 场景 -目前 bagging 方法最流行的版本是: 随机森林(random forest) -选帅哥：美女选择择偶对象的时候，会问几个闺蜜的建议，最后选择一个综合得分最高的一个作为男朋友 +目前 bagging 方法最流行的版本是: 随机森林(random forest)
+选男友：美女选择择偶对象的时候，会问几个闺蜜的建议，最后选择一个综合得分最高的一个作为男朋友 -目前 boosting 方法最流行的版本是: AdaBoost -追美女：第1个帅哥失败->(传授经验：姓名、家庭情况) 第2个帅哥失败->(传授经验：兴趣爱好、性格特点) 第3个帅哥成功 +目前 boosting 方法最流行的版本是: AdaBoost
+追女友：3个帅哥追同一个美女，第1个帅哥失败->(传授经验：姓名、家庭情况) 第2个帅哥失败->(传授经验：兴趣爱好、性格特点) 第3个帅哥成功 + +> bagging 和 boosting 区别是什么？ + +1. bagging 是一种与 boosting 很类似的技术, 所使用的多个分类器的类型（数据量和特征量）都是一致的。 +2. bagging 是由不同的分类器（1.数据随机化 2.特征随机化）经过训练，综合得出的出现最多分类结果；boosting 是通过调整已有分类器错分的那些数据来获得新的分类器，得出目前最优的结果。 +3. bagging 中的分类器权重是相等的；而 boosting 中的分类器加权求和，所以权重并不相等，每个权重代表的是其对应分类器在上一轮迭代中的成功度。 ## 随机森林 @@ -46,6 +46,7 @@ > 数据的随机化：使得随机森林中的决策树更普遍化一点，适合更多的场景。 +（有放回的准确率在：70% 以上， 无放回的准确率在：60% 以上） 1. 采取有放回的抽样方式 构造子数据集，保证不同子集之间的数量级一样（不同子集／同一子集 之间的元素可以重复） 2. 利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果。 3. 然后统计子决策树的投票结果，得到最终的分类 就是 随机森林的输出结果。 @@ -64,10 +65,224 @@ ![特征重抽样](/images/7.RandomForest/特征重抽样.jpg) +> 随机森林 开发流程 + +``` +收集数据：任何方法 +准备数据：转换样本集 +分析数据：任何方法 +训练算法：通过数据随机化和特征随机化，进行多实例的分类评估 +测试算法：计算错误率 +使用算法：输入样本数据，然后运行 随机森林 算法判断输入数据分类属于哪个分类，最后对计算出的分类执行后续处理 +``` + +> 随机森林 算法特点 + +``` +优点：几乎不需要输入准备、可实现隐式特征选择、训练速度非常快、其他模型很难超越、很难建立一个糟糕的随机森林模型、大量优秀、免费以及开源的实现。 +缺点：劣势在于模型大小、是个很难去解释的黑盒子。 +适用数据范围：数值型和标称型 +``` + ### 项目案例: 随机森林 ![随机森林](/images/7.RandomForest/RandomForest_Flow.jpg) +#### 项目概述 + +这是 Gorman 和 Sejnowski 在研究使用神经网络的声纳信号分类中使用的数据集。任务是训练一个网络来区分声纳信号。 + +#### 开发流程 + +``` +收集数据：提供的文本文件。 +准备数据：转换样本集。 +分析数据：手工检查数据。 +训练算法：在数据上，利用 random_forest() 函数进行优化评估，返回模型的综合分类结果。 +测试算法：在采用自定义 n_folds 循环的随机重抽样就行测试评估，得出综合的预测评分。 +使用算法：本例没有完成此步骤，若你感兴趣可以构建完整的应用程序，从案例进行封装，就可以构造一个实际运行的类似系统 +``` + +> 收集数据：提供的文本文件。 + +样本数据：sonar-all-data.txt + +``` +0.02,0.0371,0.0428,0.0207,0.0954,0.0986,0.1539,0.1601,0.3109,0.2111,0.1609,0.1582,0.2238,0.0645,0.066,0.2273,0.31,0.2999,0.5078,0.4797,0.5783,0.5071,0.4328,0.555,0.6711,0.6415,0.7104,0.808,0.6791,0.3857,0.1307,0.2604,0.5121,0.7547,0.8537,0.8507,0.6692,0.6097,0.4943,0.2744,0.051,0.2834,0.2825,0.4256,0.2641,0.1386,0.1051,0.1343,0.0383,0.0324,0.0232,0.0027,0.0065,0.0159,0.0072,0.0167,0.018,0.0084,0.009,0.0032,R +0.0453,0.0523,0.0843,0.0689,0.1183,0.2583,0.2156,0.3481,0.3337,0.2872,0.4918,0.6552,0.6919,0.7797,0.7464,0.9444,1,0.8874,0.8024,0.7818,0.5212,0.4052,0.3957,0.3914,0.325,0.32,0.3271,0.2767,0.4423,0.2028,0.3788,0.2947,0.1984,0.2341,0.1306,0.4182,0.3835,0.1057,0.184,0.197,0.1674,0.0583,0.1401,0.1628,0.0621,0.0203,0.053,0.0742,0.0409,0.0061,0.0125,0.0084,0.0089,0.0048,0.0094,0.0191,0.014,0.0049,0.0052,0.0044,R +0.0262,0.0582,0.1099,0.1083,0.0974,0.228,0.2431,0.3771,0.5598,0.6194,0.6333,0.706,0.5544,0.532,0.6479,0.6931,0.6759,0.7551,0.8929,0.8619,0.7974,0.6737,0.4293,0.3648,0.5331,0.2413,0.507,0.8533,0.6036,0.8514,0.8512,0.5045,0.1862,0.2709,0.4232,0.3043,0.6116,0.6756,0.5375,0.4719,0.4647,0.2587,0.2129,0.2222,0.2111,0.0176,0.1348,0.0744,0.013,0.0106,0.0033,0.0232,0.0166,0.0095,0.018,0.0244,0.0316,0.0164,0.0095,0.0078,R +``` + +> 准备数据：转换样本集 + +```python +# 导入csv文件 +def loadDataSet(filename): + dataset = [] + with open(filename, 'r') as fr: + for line in fr.readlines(): + if not line: + continue + lineArr = [] + for featrue in line.split(','): + # strip()返回移除字符串头尾指定的字符生成的新字符串 + str_f = featrue.strip() + if str_f.isdigit(): # 判断是否是数字 + # 将数据集的第column列转换成float形式 + lineArr.append(float(str_f)) + else: + # 添加分类标签 + lineArr.append(str_f) + dataset.append(lineArr) + return dataset +``` + +> 分析数据：手工检查数据 + +> 训练算法：在数据上，利用 random_forest() 函数进行优化评估，返回模型的综合分类结果 + +* 数据随机化 + +```python +def cross_validation_split(dataset, n_folds): + """cross_validation_split(将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的) + + Args: + dataset 原始数据集 + n_folds 数据集dataset分成n_flods份 + Returns: + dataset_split list集合，存放的是：将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的 + """ + dataset_split = list() + dataset_copy = list(dataset) # 复制一份 dataset,防止 dataset 的内容改变 + fold_size = len(dataset) / n_folds + for i in range(n_folds): + fold = list() # 每次循环 fold 清零，防止重复导入 dataset_split + while len(fold) < fold_size: # 这里不能用 if，if 只是在第一次判断时起作用，while 执行循环，直到条件不成立 + # 有放回的随机采样，有一些样本被重复采样，从而在训练集中多次出现，有的则从未在训练集中出现，此则自助采样法。从而保证每棵决策树训练集的差异性 + index = randrange(len(dataset_copy)) + # 将对应索引 index 的内容从 dataset_copy 中导出，并将该内容从 dataset_copy 中删除。 + # pop() 函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。 + # fold.append(dataset_copy.pop(index)) # 无放回的方式 + fold.append(dataset_copy[index]) # 有放回的方式 + dataset_split.append(fold) + # 由dataset分割出的n_folds个数据构成的列表，为了用于交叉验证 + return dataset_split +``` + +* 特征随机化 + +```python +# 找出分割数据集的最优特征，得到最优的特征 index，特征值 row[index]，以及分割完的数据 groups（left, right） +def get_split(dataset, n_features): + class_values = list(set(row[-1] for row in dataset)) # class_values =[0, 1] + b_index, b_value, b_score, b_groups = 999, 999, 999, None + features = list() + while len(features) < n_features: + index = randrange(len(dataset[0])-1) # 往 features 添加 n_features 个特征（ n_feature 等于特征数的根号），特征索引从 dataset 中随机取 + if index not in features: + features.append(index) + for index in features: # 在 n_features 个特征中选出最优的特征索引，并没有遍历所有特征，从而保证了每课决策树的差异性 + for row in dataset: + groups = test_split(index, row[index], dataset) # groups=(left, right), row[index] 遍历每一行 index 索引下的特征值作为分类值 value, 找出最优的分类特征和特征值 + gini = gini_index(groups, class_values) + # 左右两边的数量越一样，说明数据区分度不高，gini系数越大 + if gini < b_score: + b_index, b_value, b_score, b_groups = index, row[index], gini, groups # 最后得到最优的分类特征 b_index,分类特征值 b_value,分类结果 b_groups。b_value 为分错的代价成本 + # print b_score + return {'index': b_index, 'value': b_value, 'groups': b_groups} +``` + +* 随机森林 + +```python +# Random Forest Algorithm +def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features): + """random_forest(评估算法性能，返回模型得分) + + Args: + train 训练数据集 + test 测试数据集 + max_depth 决策树深度不能太深，不然容易导致过拟合 + min_size 叶子节点的大小 + sample_size 训练数据集的样本比例 + n_trees 决策树的个数 + n_features 选取的特征的个数 + Returns: + predictions 每一行的预测结果，bagging 预测最后的分类结果 + """ + + trees = list() + # n_trees 表示决策树的数量 + for i in range(n_trees): + # 随机抽样的训练样本， 随机采样保证了每棵决策树训练集的差异性 + sample = subsample(train, sample_size) + # 创建一个决策树 + tree = build_tree(sample, max_depth, min_size, n_features) + trees.append(tree) + + # 每一行的预测结果，bagging 预测最后的分类结果 + predictions = [bagging_predict(trees, row) for row in test] + return predictions +``` + +> 测试算法：在采用自定义 n_folds 循环的随机重抽样就行测试评估，得出综合的预测评分。 + +* 计算随机森林的预测结果的正确率 + +```python +# 评估算法性能，返回模型得分 +def evaluate_algorithm(dataset, algorithm, n_folds, *args): + """evaluate_algorithm(评估算法性能，返回模型得分) + + Args: + dataset 原始数据集 + algorithm 使用的算法 + n_folds 树的个数 + *args 其他的参数 + Returns: + scores 模型得分 + """ + + # 将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次 list 的元素是无重复的 + folds = cross_validation_split(dataset, n_folds) + scores = list() + # 每次循环从 folds 从取出一个 fold 作为测试集，其余作为训练集，遍历整个 folds ，实现交叉验证 + for fold in folds: + train_set = list(folds) + train_set.remove(fold) + # 将多个 fold 列表组合成一个 train_set 列表, 类似 union all + """ + In [20]: l1=[[1, 2, 'a'], [11, 22, 'b']] + In [21]: l2=[[3, 4, 'c'], [33, 44, 'd']] + In [22]: l=[] + In [23]: l.append(l1) + In [24]: l.append(l2) + In [25]: l + Out[25]: [[[1, 2, 'a'], [11, 22, 'b']], [[3, 4, 'c'], [33, 44, 'd']]] + In [26]: sum(l, []) + Out[26]: [[1, 2, 'a'], [11, 22, 'b'], [3, 4, 'c'], [33, 44, 'd']] + """ + train_set = sum(train_set, []) + test_set = list() + # fold 表示从原始数据集 dataset 提取出来的测试集 + for row in fold: + row_copy = list(row) + row_copy[-1] = None + test_set.append(row_copy) + predicted = algorithm(train_set, test_set, *args) + actual = [row[-1] for row in fold] + + # 计算随机森林的预测结果的正确率 + accuracy = accuracy_metric(actual, predicted) + scores.append(accuracy) + return scores +``` + +> 使用算法：本例没有完成此步骤，若你感兴趣可以构建完整的应用程序，从案例进行封装，就可以构造一个实际运行的类似系统 + +[完整代码地址](https://github.com/apachecn/MachineLearning/blob/master/src/python/7.RandomForest/randomForest.py): + ## AdaBoost @@ -89,8 +304,8 @@ 当然也可以使用任意分类器作为弱分类器，第2章到第6章中的任一分类器都可以充当弱分类器。 作为弱分类器，简单分类器的效果更好。 分析数据：可以使用任意方法。 -训练数据：AdaBoost 的大部分时间都用在训练上，分类器将多次在同一数据集上训练弱分类器。 -测试数据：计算分类的错误率。 +训练算法：AdaBoost 的大部分时间都用在训练上，分类器将多次在同一数据集上训练弱分类器。 +测试算法：计算分类的错误率。 使用算法：通SVM一样，AdaBoost 预测两个类别中的一个。如果想把它应用到多个类别的场景，那么就要像多类 SVM 中的做法一样对 AdaBoost 进行修改。 ``` @@ -121,8 +336,8 @@ 收集数据：提供的文本文件。 准备数据：确保类别标签是+1和-1，而非1和0。 分析数据：手工检查数据。 -训练数据：在数据上，利用 adaBoostTrainDS() 函数训练出一系列的分类器。 -测试数据：我们拥有两个数据集。在不采用随机抽样的方法下，我们就会对 AdaBoost 和 Logistic 回归的结果进行完全对等的比较。 +训练算法：在数据上，利用 adaBoostTrainDS() 函数训练出一系列的分类器。 +测试算法：我们拥有两个数据集。在不采用随机抽样的方法下，我们就会对 AdaBoost 和 Logistic 回归的结果进行完全对等的比较。 使用算法：观察该例子上的错误率。不过，也可以构建一个 Web 网站，让驯马师输入马的症状然后预测马是否会死去。 ``` @@ -163,7 +378,7 @@ def loadDataSet(fileName): ![过拟合](/images/7.AdaBoost/过拟合.png) -> 训练数据：在数据上，利用 adaBoostTrainDS() 函数训练出一系列的分类器。 +> 训练算法：在数据上，利用 adaBoostTrainDS() 函数训练出一系列的分类器。 ```python def adaBoostTrainDS(dataArr, labelArr, numIt=40): @@ -218,15 +433,15 @@ def adaBoostTrainDS(dataArr, labelArr, numIt=40): ``` 发现： -alpha 目的主要是计算每一个分类器实例的权重(组合就是分类结果) +alpha （模型权重）目的主要是计算每一个分类器实例的权重(组合就是分类结果) 分类的权重值：最大的值= alpha 的加和，最小值=-最大值 -D 的目的是为了计算错误概率： weightedError = D.T*errArr，求最佳分类器 +D （特征权重）的目的是为了计算错误概率： weightedError = D.T*errArr，求最佳分类器 特征的权重值：如果一个值误判的几率越小，那么 D 的特征权重越少 ``` ![AdaBoost算法权重计算公式](/images/7.AdaBoost/adaboost_alpha.png "AdaBoost算法权重计算公式") -> 测试数据：我们拥有两个数据集。在不采用随机抽样的方法下，我们就会对 AdaBoost 和 Logistic 回归的结果进行完全对等的比较。 +> 测试算法：我们拥有两个数据集。在不采用随机抽样的方法下，我们就会对 AdaBoost 和 Logistic 回归的结果进行完全对等的比较。 ```python def adaClassify(datToClass, classifierArr): @@ -274,7 +489,6 @@ print m, errArr[predicting10 != mat(labelArrTest).T].sum(), errArr[predicting10 #### 要点补充 - > 非均衡现象： `在分类器训练时，正例数目和反例数目不相等（相差很大）` diff --git a/images/7.AdaBoost/adaboost_headPage.jpg b/images/7.AdaBoost/adaboost_headPage.jpg index 7dbfe633..0ce0c2e9 100644 Binary files a/images/7.AdaBoost/adaboost_headPage.jpg and b/images/7.AdaBoost/adaboost_headPage.jpg differ diff --git a/src/python/7.AdaBoost/adaboost.py b/src/python/7.AdaBoost/adaboost.py index 261dcfc2..c86cb94a 100644 --- a/src/python/7.AdaBoost/adaboost.py +++ b/src/python/7.AdaBoost/adaboost.py @@ -155,16 +155,16 @@ def adaBoostTrainDS(dataArr, labelArr, numIt=40): # store Stump Params in Array weakClassArr.append(bestStump) - print "alpha=%s, classEst=%s, bestStump=%s, error=%s " % (alpha, classEst.T, bestStump, error) + # print "alpha=%s, classEst=%s, bestStump=%s, error=%s " % (alpha, classEst.T, bestStump, error) # -1主要是下面求e的-alpha次方； 如果判断正确，乘积为1，否则成绩为-1，这样就可以算出分类的情况了 expon = multiply(-1*alpha*mat(labelArr).T, classEst) - print '\n' - print 'labelArr=', labelArr - print 'classEst=', classEst.T - print '\n' - print '乘积: ', multiply(mat(labelArr).T, classEst).T + # print '\n' + # print 'labelArr=', labelArr + # print 'classEst=', classEst.T + # print '\n' + # print '乘积: ', multiply(mat(labelArr).T, classEst).T # 判断正确的，就乘以-1，否则就乘以1， 为什么？ 书上的公式。 - print '(-1取反)预测值expon=', expon.T + # print '(-1取反)预测值expon=', expon.T # 计算e的expon次方，然后计算得到一个综合的概率的值 # 结果发现： 判断错误的特征，D对于的特征的权重值会变大。 D = multiply(D, exp(expon)) @@ -173,9 +173,9 @@ def adaBoostTrainDS(dataArr, labelArr, numIt=40): print '\n' # 预测的分类结果值，在上一轮结果的基础上，进行加和操作 - print '当前的分类结果：', alpha*classEst.T + # print '当前的分类结果：', alpha*classEst.T aggClassEst += alpha*classEst - print "叠加后的分类结果aggClassEst: ", aggClassEst.T + # print "叠加后的分类结果aggClassEst: ", aggClassEst.T # sign 判断正为1， 0为0， 负为-1，通过最终加和的权重值，判断符号。 # 结果为：错误的样本标签集合，因为是 !=,那么结果就是0 正, 1 负 aggErrors = multiply(sign(aggClassEst) != mat(labelArr).T, ones((m, 1))) diff --git a/src/python/7.RandomForest/randomForest.py b/src/python/7.RandomForest/randomForest.py index aed5b7f2..9b6afda6 100644 --- a/src/python/7.RandomForest/randomForest.py +++ b/src/python/7.RandomForest/randomForest.py @@ -10,7 +10,7 @@ Random Forest Algorithm on Sonar Dataset --- 源代码网址：http://www.tuicool.com/articles/iiUfeim Flying_sfeng博客地址：http://blog.csdn.net/flying_sfeng/article/details/64133822 -在此表示感谢你的代码和注解， 我重新也完善了你的注解 +在此表示感谢你的代码和注解， 我重新也完善了个人注解 ''' from random import seed, randrange, random @@ -26,7 +26,7 @@ def loadDataSet(filename): for featrue in line.split(','): # strip()返回移除字符串头尾指定的字符生成的新字符串 str_f = featrue.strip() - if str_f.isdigit(): + if str_f.isdigit(): # 判断是否是数字 # 将数据集的第column列转换成float形式 lineArr.append(float(str_f)) else: @@ -46,22 +46,23 @@ def cross_validation_split(dataset, n_folds): dataset_split list集合，存放的是：将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的 """ dataset_split = list() - dataset_copy = list(dataset) #复制一份dataset,防止dataset的内容改变 + dataset_copy = list(dataset) # 复制一份 dataset,防止 dataset 的内容改变 fold_size = len(dataset) / n_folds for i in range(n_folds): - fold = list() #每次循环fold清零，防止重复导入dataset_split - while len(fold) < fold_size: #这里不能用if，if只是在第一次判断时起作用，while执行循环，直到条件不成立 + fold = list() # 每次循环 fold 清零，防止重复导入 dataset_split + while len(fold) < fold_size: # 这里不能用 if，if 只是在第一次判断时起作用，while 执行循环，直到条件不成立 # 有放回的随机采样，有一些样本被重复采样，从而在训练集中多次出现，有的则从未在训练集中出现，此则自助采样法。从而保证每棵决策树训练集的差异性 index = randrange(len(dataset_copy)) - # 将对应索引index的内容从dataset_copy中导出，并将该内容从dataset_copy中删除。 - # pop()函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。 - fold.append(dataset_copy.pop(index)) + # 将对应索引 index 的内容从 dataset_copy 中导出，并将该内容从 dataset_copy 中删除。 + # pop() 函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。 + # fold.append(dataset_copy.pop(index)) # 无放回的方式 + fold.append(dataset_copy[index]) # 有放回的方式 dataset_split.append(fold) # 由dataset分割出的n_folds个数据构成的列表，为了用于交叉验证 return dataset_split -# Split a dataset based on an attribute and an attribute value #根据特征和特征值分割数据集 +# Split a dataset based on an attribute and an attribute value # 根据特征和特征值分割数据集 def test_split(index, value, dataset): left, right = list(), list() for row in dataset: @@ -73,45 +74,46 @@ def test_split(index, value, dataset): # Calculate the Gini index for a split dataset -def gini_index(groups, class_values): #个人理解：计算代价，分类越准确，则gini越小 +def gini_index(groups, class_values): # 个人理解：计算代价，分类越准确，则 gini 越小 gini = 0.0 - for class_value in class_values: #class_values =[0,1] - for group in groups: #groups=(left,right) + for class_value in class_values: # class_values = [0, 1] + for group in groups: # groups = (left, right) size = len(group) if size == 0: continue proportion = [row[-1] for row in group].count(class_value) / float(size) - gini += (proportion * (1.0 - proportion)) #个人理解：计算代价，分类越准确，则gini越小 + gini += (proportion * (1.0 - proportion)) # 个人理解：计算代价，分类越准确，则 gini 越小 return gini -# 找出分割数据集的最优特征，得到最优的特征index，特征值row[index]，以及分割完的数据groups（left,right） +# 找出分割数据集的最优特征，得到最优的特征 index，特征值 row[index]，以及分割完的数据 groups（left, right） def get_split(dataset, n_features): - class_values = list(set(row[-1] for row in dataset)) #class_values =[0,1] + class_values = list(set(row[-1] for row in dataset)) # class_values =[0, 1] b_index, b_value, b_score, b_groups = 999, 999, 999, None features = list() while len(features) < n_features: - index = randrange(len(dataset[0])-1) #往features添加n_features个特征（n_feature等于特征数的根号），特征索引从dataset中随机取 + index = randrange(len(dataset[0])-1) # 往 features 添加 n_features 个特征（ n_feature 等于特征数的根号），特征索引从 dataset 中随机取 if index not in features: features.append(index) - for index in features: #在n_features个特征中选出最优的特征索引，并没有遍历所有特征，从而保证了每课决策树的差异性 + for index in features: # 在 n_features 个特征中选出最优的特征索引，并没有遍历所有特征，从而保证了每课决策树的差异性 for row in dataset: - groups = test_split(index, row[index], dataset) #groups=(left,right)；row[index]遍历每一行index索引下的特征值作为分类值value，找出最优的分类特征和特征值 + groups = test_split(index, row[index], dataset) # groups=(left, right), row[index] 遍历每一行 index 索引下的特征值作为分类值 value, 找出最优的分类特征和特征值 gini = gini_index(groups, class_values) + # 左右两边的数量越一样，说明数据区分度不高，gini系数越大 if gini < b_score: - b_index, b_value, b_score, b_groups = index, row[index], gini, groups #最后得到最优的分类特征b_index,分类特征值b_value,分类结果b_groups。b_value为分错的代价成本。 - #print b_score - return {'index':b_index, 'value':b_value, 'groups':b_groups} + b_index, b_value, b_score, b_groups = index, row[index], gini, groups # 最后得到最优的分类特征 b_index,分类特征值 b_value,分类结果 b_groups。b_value 为分错的代价成本 + # print b_score + return {'index': b_index, 'value': b_value, 'groups': b_groups} -# Create a terminal node value #输出group中出现次数较多的标签 +# Create a terminal node value # 输出group中出现次数较多的标签 def to_terminal(group): - outcomes = [row[-1] for row in group] #max()函数中，当key参数不为空时，就以key的函数对象为判断的标准; - return max(set(outcomes), key=outcomes.count) # 输出group中出现次数较多的标签 + outcomes = [row[-1] for row in group] # max() 函数中，当 key 参数不为空时，就以 key 的函数对象为判断的标准 + return max(set(outcomes), key=outcomes.count) # 输出 group 中出现次数较多的标签 -# Create child splits for a node or make terminal #创建子分割器，递归分类，直到分类结束 -def split(node, max_depth, min_size, n_features, depth): #max_depth = 10，min_size = 1，n_features = int(sqrt(len(dataset[0])-1)) +# Create child splits for a node or make terminal # 创建子分割器，递归分类，直到分类结束 +def split(node, max_depth, min_size, n_features, depth): # max_depth = 10, min_size = 1, n_features = int(sqrt((dataset[0])-1)) left, right = node['groups'] del(node['groups']) # check for a no split @@ -119,15 +121,15 @@ def split(node, max_depth, min_size, n_features, depth): #max_depth = 10，min_ node['left'] = node['right'] = to_terminal(left + right) return # check for max depth - if depth >= max_depth: #max_depth=10表示递归十次，若分类还未结束，则选取数据中分类标签较多的作为结果，使分类提前结束，防止过拟合 + if depth >= max_depth: # max_depth=10 表示递归十次，若分类还未结束，则选取数据中分类标签较多的作为结果，使分类提前结束，防止过拟合 node['left'], node['right'] = to_terminal(left), to_terminal(right) return # process left child if len(left) <= min_size: node['left'] = to_terminal(left) else: - node['left'] = get_split(left, n_features) #node['left']是一个字典，形式为{'index':b_index, 'value':b_value, 'groups':b_groups}，所以node是一个多层字典 - split(node['left'], max_depth, min_size, n_features, depth+1) #递归，depth+1计算递归层数 + node['left'] = get_split(left, n_features) # node['left']是一个字典，形式为{'index':b_index, 'value':b_value, 'groups':b_groups}，所以node是一个多层字典 + split(node['left'], max_depth, min_size, n_features, depth+1) # 递归，depth+1计算递归层数 # process right child if len(right) <= min_size: node['right'] = to_terminal(right) @@ -149,19 +151,19 @@ def build_tree(train, max_depth, min_size, n_features): root 返回决策树 """ - # 返回最有列和相关的信息 + # 返回最优列和相关的信息 root = get_split(train, n_features) - # 对左右2变的数据 进行递归的调用，由于最优特征使用过，所以在后面进行使用的时候，就没有意义了 + # 对左右2边的数据 进行递归的调用，由于最优特征使用过，所以在后面进行使用的时候，就没有意义了 # 例如： 性别-男女，对男使用这一特征就没任何意义了 split(root, max_depth, min_size, n_features, 1) return root # Make a prediction with a decision tree -def predict(node, row): #预测模型分类结果 +def predict(node, row): # 预测模型分类结果 if row[node['index']] < node['value']: - if isinstance(node['left'], dict): #isinstance是Python中的一个内建函数。是用来判断一个对象是否是一个已知的类型。 + if isinstance(node['left'], dict): # isinstance是Python中的一个内建函数。是用来判断一个对象是否是一个已知的类型。 return predict(node['left'], row) else: return node['left'] @@ -189,7 +191,7 @@ def bagging_predict(trees, row): # Create a random subsample from the dataset with replacement -def subsample(dataset, ratio): #创建数据集的随机子样本 +def subsample(dataset, ratio): # 创建数据集的随机子样本 """random_forest(评估算法性能，返回模型得分) Args: @@ -227,7 +229,7 @@ def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_feat """ trees = list() - # n_trees表示决策树的数量 + # n_trees 表示决策树的数量 for i in range(n_trees): # 随机抽样的训练样本， 随机采样保证了每棵决策树训练集的差异性 sample = subsample(train, sample_size) @@ -241,7 +243,7 @@ def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_feat # Calculate accuracy percentage -def accuracy_metric(actual, predicted): #导入实际值和预测值，计算精确度 +def accuracy_metric(actual, predicted): # 导入实际值和预测值，计算精确度 correct = 0 for i in range(len(actual)): if actual[i] == predicted[i]: @@ -262,14 +264,14 @@ def evaluate_algorithm(dataset, algorithm, n_folds, *args): scores 模型得分 """ - # 将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的 + # 将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次 list 的元素是无重复的 folds = cross_validation_split(dataset, n_folds) scores = list() - # 每次循环从folds从取出一个fold作为测试集，其余作为训练集，遍历整个folds，实现交叉验证 + # 每次循环从 folds 从取出一个 fold 作为测试集，其余作为训练集，遍历整个 folds ，实现交叉验证 for fold in folds: train_set = list(folds) train_set.remove(fold) - # 将多个fold列表组合成一个train_set列表, 类似 union all + # 将多个 fold 列表组合成一个 train_set 列表, 类似 union all """ In [20]: l1=[[1, 2, 'a'], [11, 22, 'b']] In [21]: l2=[[3, 4, 'c'], [33, 44, 'd']] @@ -283,11 +285,11 @@ def evaluate_algorithm(dataset, algorithm, n_folds, *args): """ train_set = sum(train_set, []) test_set = list() - # fold表示从原始数据集dataset提取出来的测试集 + # fold 表示从原始数据集 dataset 提取出来的测试集 for row in fold: row_copy = list(row) - test_set.append(row_copy) row_copy[-1] = None + test_set.append(row_copy) predicted = algorithm(train_set, test_set, *args) actual = [row[-1] for row in fold] @@ -307,9 +309,9 @@ if __name__ == '__main__': max_depth = 20 # 调参（自己修改） #决策树深度不能太深，不然容易导致过拟合 min_size = 1 # 决策树的叶子节点最少的元素数量 sample_size = 1.0 # 做决策树时候的样本的比例 - # n_features = int(sqrt(len(dataset[0])-1)) - n_features =15 # 调参（自己修改） #准确性与多样性之间的权衡 - for n_trees in [1, 5, 10]: # 理论上树是越多越好 + # n_features = int((len(dataset[0])-1)) + n_features = 15 # 调参（自己修改） #准确性与多样性之间的权衡 + for n_trees in [1, 10, 20]: # 理论上树是越多越好 scores = evaluate_algorithm(dataset, random_forest, n_folds, max_depth, min_size, sample_size, n_trees, n_features) # 每一次执行本文件时都能产生同一个随机数 seed(1)