diff --git a/README.md b/README.md index c5902bb4..400d85b6 100644 --- a/README.md +++ b/README.md @@ -1,6 +1,7 @@ # MachineLearning -**Machine Learning in Action (python) | [ApacheCN(apache中文网)](http://www.apache.wiki)** +* **欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远** +* **Machine Learning in Action (python) | [ApacheCN(apache中文网)](http://www.apache.wiki)** ## 第一部分 分类 @@ -18,6 +19,8 @@ * [支持向量机](./docs/6.支持向量机.md) * 7) 利用AdaBoost元算法提高分类 * [利用AdaBoost元算法提高分类](./docs/7.利用AdaBoost元算法提高分类.md) +* 7) 随机森林的使用(个人补充，非课本内容) + * [随机森林的使用](./docs/7.随机森林的使用.md) ## 第二部分 利用回归预测数值型数据 diff --git a/docs/7.随机森林的使用.md b/docs/7.随机森林的使用.md new file mode 100644 index 00000000..d30002d0 --- /dev/null +++ b/docs/7.随机森林的使用.md @@ -0,0 +1,32 @@ +# 第7章 随机森林的使用(个人补充，非课本内容) + +## 基本介绍 + +* 随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。 +* 决策树相当于一个大师，通过自己在数据集中学到的知识对于新的数据进行分类。但是俗话说得好，一个诸葛亮，玩不过三个臭皮匠。随机森林就是希望构建多个臭皮匠，希望最终的分类效果能够超过单个大师的一种算法。 + +## 构造流程 + +* 那随机森林具体如何构建呢？有两个方面：数据的随机性选取，以及待选特征的随机选取。 + +> 数据的随机选取： + +``` +首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复。 +第二，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。 +最后，如果有了新的数据需要通过随机森林得到分类结果，就可以通过对子决策树的判断结果的投票，得到随机森林的输出结果了。 +如下图，假设随机森林中有3棵子决策树，2棵子树的分类结果是A类，1棵子树的分类结果是B类，那么随机森林的分类结果就是A类。 +``` +![数据重抽样](/images/7.RandomForest/数据重抽样.jpg) + +> 待选特征的随机选取 + +``` +与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。 +下图中，蓝色的方块代表所有可以被选择的特征，也就是目前的待选特征。黄色的方块是分裂特征。左边是一棵决策树的特征选取过程，通过在待选特征中选取最优的分裂特征（别忘了前文提到的ID3算法，C4.5算法，CART算法等等），完成分裂。右边是一个随机森林中的子树的特征选取过程。 +``` +![特征重抽样](/images/7.RandomForest/特征重抽样.jpg) + +> 随机森林-流程图 + +![随机森林-流程图](/images/7.RandomForest/RandomForest_Flow.jpg) diff --git a/images/7.RandomForest/RandomForest_Flow.jpg b/images/7.RandomForest/RandomForest_Flow.jpg new file mode 100644 index 00000000..1382baec Binary files /dev/null and b/images/7.RandomForest/RandomForest_Flow.jpg differ diff --git a/images/7.RandomForest/数据重抽样.jpg b/images/7.RandomForest/数据重抽样.jpg new file mode 100644 index 00000000..37925d71 Binary files /dev/null and b/images/7.RandomForest/数据重抽样.jpg differ diff --git a/images/7.RandomForest/特征重抽样.jpg b/images/7.RandomForest/特征重抽样.jpg new file mode 100644 index 00000000..83de7dc1 Binary files /dev/null and b/images/7.RandomForest/特征重抽样.jpg differ diff --git a/src/python/7.RandomForest/randomForest.py b/src/python/7.RandomForest/randomForest.py index 48c03f9c..ec77cce7 100644 --- a/src/python/7.RandomForest/randomForest.py +++ b/src/python/7.RandomForest/randomForest.py @@ -4,11 +4,13 @@ ''' Created 2017-04-25 Random Forest Algorithm on Sonar Dataset -@author: Flying_sfeng/jiangzhonglian +@author: Flying_sfeng/片刻 +--- +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 ''' from random import seed, randrange, random -from math import sqrt -from math import log # 导入csv文件 @@ -32,27 +34,29 @@ def loadDataSet(filename): return dataset -# Split a dataset into k folds -def cross_validation_split(dataset, n_folds): #将数据集dataset分成n_flods份，每份包含len(dataset) / n_folds个值，每个值由dataset数据集的内容随机产生，每个值被使用一次 +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)) - 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。 + # 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)) dataset_split.append(fold) - return dataset_split #由dataset分割出的n_folds个数据构成的列表，为了用于交叉验证 - - -# Calculate accuracy percentage -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]: - correct += 1 - return correct / float(len(actual)) * 100.0 + # 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 @@ -79,12 +83,12 @@ def gini_index(groups, class_values): #个人理解：计算代价，分类越 return gini -# Select the best split point for a dataset #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] b_index, b_value, b_score, b_groups = 999, 999, 999, None features = list() - while len(features) < n_features: + 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) @@ -132,8 +136,22 @@ def split(node, max_depth, min_size, n_features, depth): #max_depth = 10，min_ # Build a decision tree def build_tree(train, max_depth, min_size, n_features): - #root = get_split(dataset, n_features) + """build_tree(创建一个决策树) + + Args: + train 训练数据集 + 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 + n_features 选取的特征的个数 + Returns: + root 返回决策树 + """ + + # 返回最有列和相关的信息 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 + # 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 @@ -154,46 +172,124 @@ def predict(node, row): #预测模型分类结果 # Make a prediction with a list of bagged trees def bagging_predict(trees, row): - predictions = [predict(tree, row) for tree in trees] #使用多个决策树trees对测试集test的第row行进行预测，再使用简单投票法判断出该行所属分类 + """bagging_predict(bagging预测) + + Args: + trees 决策树的集合 + row 测试数据集的每一行数据 + Returns: + 返回随机森林中，决策树结果出现次数做大的 + """ + + # 使用多个决策树trees对测试集test的第row行进行预测，再使用简单投票法判断出该行所属分类 + predictions = [predict(tree, row) for tree in trees] return max(set(predictions), key=predictions.count) # Create a random subsample from the dataset with replacement 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: + dataset 训练数据集 + ratio 训练数据集的样本比例 + Returns: + sample 随机抽样的训练样本 + """ + sample = list() - n_sample = round(len(dataset) * ratio) #round() 方法返回浮点数x的四舍五入值。 + # 训练样本的按比例抽样。 + # round() 方法返回浮点数x的四舍五入值。 + n_sample = round(len(dataset) * ratio) while len(sample) < n_sample: - index = randrange(len(dataset)) #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 + # 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)) sample.append(dataset[index]) return sample # 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() - for i in range(n_trees): #n_trees表示决策树的数量 - sample = subsample(train, sample_size) #随机采样保证了每棵决策树训练集的差异性 - tree = build_tree(sample, max_depth, min_size, n_features) #建立一个决策树 + # 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) + return predictions -# Evaluate an algorithm using a cross validation split -def evaluate_algorithm(dataset, algorithm, n_folds, *args): #评估算法性能，返回模型得分 +# Calculate accuracy percentage +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]: + correct += 1 + return correct / float(len(actual)) * 100.0 + + +# 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() - for fold in folds: #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) - train_set = sum(train_set, []) #将多个fold列表组合成一个train_set列表 + # 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() - for row in fold: #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 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 @@ -205,18 +301,17 @@ if __name__ == '__main__': dataset = loadDataSet('input/7.RandomForest/sonar-all-data.txt') # print dataset - n_folds = 5 #分成5份数据，进行交叉验证 - #max_depth = 10 #递归十次 - 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 - sample_size = 1.0 - #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_folds = 5 # 分成5份数据，进行交叉验证 + 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 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) print 'random=', random() - print('Trees: %d' % n_trees) - print('Scores: %s' % scores) - print('Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores)))) + print 'Trees: %d' % n_trees + print 'Scores: %s' % scores + print 'Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores)))