亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

Python機器學習利用隨機森林對特征重要性計算評估

 更新時間：2021年10月12日 09:22:04   作者：zjuPeco  
本文是對隨機森林如何用在特征選擇上做一個簡單的介紹。隨機森林非常簡單，易于實現(xiàn)，計算開銷也很小，更令人驚奇的是它在分類和回歸上表現(xiàn)出了十分驚人的性能

1 前言

隨機森林是以決策樹為基學習器的集成學習算法。隨機森林非常簡單，易于實現(xiàn)，計算開銷也很小，更令人驚奇的是它在分類和回歸上表現(xiàn)出了十分驚人的性能，因此，隨機森林也被譽為“代表集成學習技術(shù)水平的方法”。

2 隨機森林（RF）簡介

只要了解決策樹的算法，那么隨機森林是相當容易理解的。隨機森林的算法可以用如下幾個步驟概括：

1.用有抽樣放回的方法（bootstrap）從樣本集中選取n個樣本作為一個訓練集

2.用抽樣得到的樣本集生成一棵決策樹。在生成的每一個結(jié)點：

  •  隨機不重復地選擇d個特征
  • 利用這d個特征分別對樣本集進行劃分，找到最佳的劃分特征（可用基尼系數(shù)、增益率或者信息增益判別）

3.重復步驟1到步驟2共k次，k即為隨機森林中決策樹的個數(shù)。

4.用訓練得到的隨機森林對測試樣本進行預測，并用票選法決定預測的結(jié)果。

下圖比較直觀地展示了隨機森林算法（圖片出自文獻2）：

隨機森林算法

圖1：隨機森林算法示意圖

沒錯，就是這個到處都是隨機取值的算法，在分類和回歸上有著極佳的效果，是不是覺得強的沒法解釋~

然而本文的重點不是這個，而是接下來的特征重要性評估。

3 特征重要性評估

現(xiàn)實情況下，一個數(shù)據(jù)集中往往有成百上前個特征，如何在其中選擇比結(jié)果影響最大的那幾個特征，以此來縮減建立模型時的特征數(shù)是我們比較關(guān)心的問題。這樣的方法其實很多，比如主成分分析，lasso等等。不過，這里我們要介紹的是用隨機森林來對進行特征篩選。

用隨機森林進行特征重要性評估的思想其實很簡單，說白了就是看看每個特征在隨機森林中的每顆樹上做了多大的貢獻，然后取個平均值，最后比一比特征之間的貢獻大小。

好了，那么這個貢獻是怎么一個說法呢？通常可以用基尼指數(shù)（Gini index）或者袋外數(shù)據(jù)（OOB）錯誤率作為評價指標來衡量。

我們這里只介紹用基尼指數(shù)來評價的方法，想了解另一種方法的可以參考文獻2。

隨機森林算法

隨機森林算法

4 舉個例子

值得慶幸的是， sklearn已經(jīng)幫我們封裝好了一切，我們只需要調(diào)用其中的函數(shù)即可。

我們以UCI上葡萄酒的例子為例，首先導入數(shù)據(jù)集。

import pandas as pd
url = 'http://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data'
df = pd.read_csv(url, header = None)
df.columns = ['Class label', 'Alcohol', 'Malic acid', 'Ash', 
              'Alcalinity of ash', 'Magnesium', 'Total phenols', 
              'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins', 
              'Color intensity', 'Hue', 'OD280/OD315 of diluted wines', 'Proline']

然后，我們來大致看下這時一個怎么樣的數(shù)據(jù)集

import numpy as np
np.unique(df['Class label'])

輸出為

array([1, 2, 3], dtype=int64)

可見共有3個類別。然后再來看下數(shù)據(jù)的信息：

df.info()

輸出為

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 178 entries, 0 to 177
Data columns (total 14 columns):
Class label                     178 non-null int64
Alcohol                         178 non-null float64
Malic acid                      178 non-null float64
Ash                             178 non-null float64
Alcalinity of ash               178 non-null float64
Magnesium                       178 non-null int64
Total phenols                   178 non-null float64
Flavanoids                      178 non-null float64
Nonflavanoid phenols            178 non-null float64
Proanthocyanins                 178 non-null float64
Color intensity                 178 non-null float64
Hue                             178 non-null float64
OD280/OD315 of diluted wines    178 non-null float64
Proline                         178 non-null int64
dtypes: float64(11), int64(3)
memory usage: 19.5 KB

可見除去class label之外共有13個特征，數(shù)據(jù)集的大小為178。

按照常規(guī)做法，將數(shù)據(jù)集分為訓練集和測試集。

from sklearn.cross_validation import train_test_split
from sklearn.ensemble import RandomForestClassifier
x, y = df.iloc[:, 1:].values, df.iloc[:, 0].values
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 0)
feat_labels = df.columns[1:]
forest = RandomForestClassifier(n_estimators=10000, random_state=0, n_jobs=-1)
forest.fit(x_train, y_train)

好了，這樣一來隨機森林就訓練好了，其中已經(jīng)把特征的重要性評估也做好了，我們拿出來看下。

importances = forest.feature_importances_
indices = np.argsort(importances)[::-1]
for f in range(x_train.shape[1]):
    print("%2d) %-*s %f" % (f + 1, 30, feat_labels[indices[f]], importances[indices[f]]))

輸出的結(jié)果為

 1) Color intensity                0.182483
 2) Proline                        0.158610
 3) Flavanoids                     0.150948
 4) OD280/OD315 of diluted wines   0.131987
 5) Alcohol                        0.106589
 6) Hue                            0.078243
 7) Total phenols                  0.060718
 8) Alcalinity of ash              0.032033
 9) Malic acid                     0.025400
10) Proanthocyanins                0.022351
11) Magnesium                      0.022078
12) Nonflavanoid phenols           0.014645
13) Ash                            0.013916

對的就是這么方便。

如果要篩選出重要性比較高的變量的話，這么做就可以

threshold = 0.15
x_selected = x_train[:, importances > threshold]
x_selected.shape

輸出為

(124, 3)

瞧，這不，幫我們選好了3個重要性大于0.15的特征了嗎~

5 參考文獻

[1] Raschka S. Python Machine Learning[M]. Packt Publishing, 2015.
[2] 楊凱, 侯艷, 李康. 隨機森林變量重要性評分及其研究進展[J]. 2015.

以上就是Python機器學習利用隨機森林對特征重要性計算評估的詳細內(nèi)容，更多關(guān)于Python隨機森林重要性計算的資料請關(guān)注腳本之家其它相關(guān)文章！

相關(guān)文章

最新評論