前言
优化随机森林算法,正确率提高1%~5%(已经有90%+的正确率,再调高会导致过拟合)
论文当然是参考的,毕竟出现早的算法都被人研究烂了,什么优化基本都做过。而人类最高明之处就是懂得利用前人总结的经验和制造的工具(说了这么多就是为偷懒找借口。hhhh)
优化思路
1. 计算传统模型准确率
2. 计算设定树木颗数时最佳树深度,以最佳深度重新生成随机森林
3. 计算新生成森林中每棵树的AUC,选取AUC靠前的一定百分比的树
4. 通过计算各个树的数据相似度,排除相似度超过设定值且AUC较小的树
5. 计算最终的准确率
主要代码粘贴如下(注释比较详细,就不介绍代码了)
#-*- coding: utf-8 -*- import time from csv import reader from random import randint from random import seed import numpy as np from numpy import mat from group_11 import caculateAUC_1, plotTree # 建立一棵CART树 '''试探分枝''' def data_split(index, value, dataset): left, right = list(), list() for row in dataset: if row[index] < value: left.append(row) else: right.append(row) return left, right '''计算基尼指数''' def calc_gini(groups, class_values): gini = 0.0 total_size = 0 for group in groups: total_size += len(group) for group in groups: size = len(group) if size == 0: continue for class_value in class_values: proportion = [row[-1] for row in group].count(class_value) / float(size) gini += (size / float(total_size)) * (proportion * (1.0 - proportion))# 二分类执行两次,相当于*2 return gini '''找最佳分叉点''' def get_split(dataset, n_features): class_values = list(set(row[-1] for row in dataset))# 类别标签集合 b_index, b_value, b_score, b_groups = 999, 999, 999, None # 随机选取特征子集,包含n_features个特征 features = list() while len(features) < n_features: # 随机选取特征 # 特征索引 index = randint(0, len(dataset[0]) - 2) # 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: # 对每一个特征 # 计算Gini指数 for row in dataset: # 按照每个记录的该特征的取值划分成两个子集,计算对于的Gini(D,A),取最小的 groups = data_split(index, row[index], dataset) gini = calc_gini(groups, class_values) if gini < b_score: b_index, b_value, b_score, b_groups = index, row[index], gini, groups return {'index': b_index, 'value': b_value, 'groups': b_groups} # 每个节点由字典组成 '''多数表决''' def to_terminal(group): outcomes = [row[-1] for row in group] return max(set(outcomes), key=outcomes.count) '''分枝''' def split(node, max_depth, min_size, n_features, depth): left, right = node['groups'] # 自动分包/切片 del (node['groups']) if not left or not right: # left或者right为空时 node['left'] = node['right'] = to_terminal(left + right) # 叶节点不好理解 return if depth >= max_depth: node['left'], node['right'] = to_terminal(left), to_terminal(right) return # 左子树 if len(left) <= min_size: node['left'] = to_terminal(left) else: node['left'] = get_split(left, n_features) split(node['left'], max_depth, min_size, n_features, depth + 1) # 右子树 if len(right) <= min_size: # min_size最小的的分枝样本数 node['right'] = to_terminal(right) else: node['right'] = get_split(right, n_features) split(node['right'], max_depth, min_size, n_features, depth + 1) '''建立一棵树''' def build_one_tree(train, max_depth, min_size, n_features): # 寻找最佳分裂点作为根节点 root = get_split(train, n_features) split(root, max_depth, min_size, n_features, 1) return root '''用森林里的一棵树来预测''' def predict(node, row): if row[node['index']] < node['value']: if isinstance(node['left'], dict): return predict(node['left'], row) else: return node['left'] else: if isinstance(node['right'], dict): return predict(node['right'], row) else: return node['right'] # 随机森林类 class randomForest: def __init__(self,trees_num, max_depth, leaf_min_size, sample_ratio, feature_ratio): self.trees_num = trees_num # 森林的树的数目 self.max_depth = max_depth # 树深 self.leaf_min_size = leaf_min_size # 建立树时,停止的分枝样本最小数目 self.samples_split_ratio = sample_ratio # 采样,创建子集的比例(行采样) self.feature_ratio = feature_ratio # 特征比例(列采样) self.trees = list() # 森林 '''有放回的采样,创建数据子集''' def sample_split(self, dataset): sample = list() n_sample = round(len(dataset) * self.samples_split_ratio) #每棵树的采样数 while len(sample) < n_sample: index = randint(0, len(dataset) - 2) #随机有放回的采样 sample.append(dataset[index]) return sample ##############***Out-of-Bag***################################ # 进行袋外估计等相关函数的实现,需要注意并不是每个样本都可能出现在随机森林的袋外数据中 # 因此进行oob估计时需要注意估计样本的数量 def OOB(self, oobdata, train, trees): '''输入为:袋外数据dict,训练集,tree_list return oob准确率''' n_rows = [] count = 0 n_trees = len(trees) # 森林中树的棵树 for key, item in oobdata.items(): n_rows.append(item) # print(len(n_rows)) # 所有trees中的oob数据的合集 n_rows_list = sum(n_rows, []) unique_list = [] for l1 in n_rows_list: # 从oob合集中计算独立样本数量 if l1 not in unique_list: unique_list.append(l1) n = len(unique_list) # print(n) # 对训练集中的每个数据,进行遍历,寻找其作为oob数据时的所有trees,并进行多数投票 for row in train: pre = [] for i in range(n_trees): if row not in oobdata[i]: # print('row: ',row) # print('trees[i]: ', trees[i]) pre.append(predict(trees[i], row)) if len(pre) > 0: label = max(set(pre), key=pre.count) if label == row[-1]: count += 1 return (float(count) / n) * 100 '''建立随机森林''' def build_randomforest(self, train): temp_flag = 0 max_depth = self.max_depth # 树深 min_size = self.leaf_min_size # 建立树时,停止的分枝样本最小数目 n_trees = self.trees_num # 森林的树的数目 n_features = int(self.feature_ratio * (len(train[0])-1)) #列采样,从M个feature中,选择m个(m<<M) # print('特征值为 : ',n_features) oobs = {} # ---------------------- for i in range(n_trees): # 建立n_trees棵决策树 sample = self.sample_split(train) # 有放回的采样,创建数据子集 oobs[i] = sample # ---------------- tree = build_one_tree(sample, max_depth, min_size, n_features) # 建立决策树 self.trees.append(tree) temp_flag += 1 # print(i,tree) oob_score = self.OOB(oobs, train, self.trees) # oob准确率--------- print("oob_score is ", oob_score) # 打印oob准确率--------- return self.trees '''随机森林预测的多数表决''' def bagging_predict(self, onetestdata): predictions = [predict(tree, onetestdata) for tree in self.trees] return max(set(predictions), key=predictions.count) '''计算建立的森林的精确度''' def accuracy_metric(self, testdata): correct = 0 for i in range(len(testdata)): predicted = self.bagging_predict(testdata[i]) if testdata[i][-1] == predicted: correct += 1 return correct / float(len(testdata)) * 100.0 # 数据处理 '''导入数据''' def load_csv(filename): dataset = list() with open(filename, 'r') as file: csv_reader = reader(file) for row in csv_reader: if not row: continue # dataset.append(row) dataset.append(row[:-1]) # return dataset return dataset[1:], dataset[0] '''划分训练数据与测试数据''' def split_train_test(dataset, ratio=0.3): #ratio = 0.2 # 取百分之二十的数据当做测试数据 num = len(dataset) train_num = int((1-ratio) * num) dataset_copy = list(dataset) traindata = list() while len(traindata) < train_num: index = randint(0,len(dataset_copy)-1) traindata.append(dataset_copy.pop(index)) testdata = dataset_copy return traindata, testdata '''分析树,将向量内积写入list''' def analyListTree(node, tag, result): # 叶子节点的父节点 if (isinstance(node['left'], dict)): # 计算node与node[tag]的内积 tag="left" re = Inner_product(node, tag) result.append(re) analyListTree(node['left'], 'left', result) return elif (isinstance(node['right'], dict)): # 计算node与node[tag]的内积 tag = "right" re = Inner_product(node, tag) result.append(re) analyListTree(node['right'], 'right', result) return else: return '''求向量内积''' # 计算node与node[tag]的内积 def Inner_product(node ,tag): a = mat([[float(node['index'])], [float(node['value'])]]) b = mat([[float(node[tag]['index'])], [float(node[tag]['value'])]]) return (a.T * b)[0,0] '''相似度优化''' ''' same_value = 20 # 向量内积的差(小于此值认为相似) same_rate = 0.63 # 树的相似度(大于此值认为相似) 返回新的森林(已去掉相似度高的树)''' def similarity_optimization(newforest, samevalue, samerate): res = list() # 存储森林的内积 result = list() # 存储某棵树的内积 i = 1 for tree in newforest: # 分析树,将向量内积写入list # result 存储tree的内积 analyListTree(tree, None, result) res.append(result) # print('第',i,'棵树:',len(result),result) result = [] # print('res = ',len(res),res) # 取一棵树的单个向量内积与其他树的单个向量内积做完全对比(相似度) # 遍历列表的列 for i in range(0, len(res) - 1): # 保证此列未被置空、 if not newforest[i] == None: # 遍历做对比的树的列 for k in range(i + 1, len(res)): if not newforest[k] == None: # time用于统计相似的次数,在每次更换对比树时重置为0 time = 0 # 遍历列表的当前行 for j in range(0, len(res[i])): # 当前两颗树对比次数 all_contrast = (res[ i].__len__() * res[k].__len__()) # 遍历做对比的树的行 for l in range(0, len(res[k])): # 如果向量的内积相等,计数器加一 if res[i][j] - res[k][l] < samevalue: time = time + 1 # 如果相似度大于设定值 real_same_rate = time / all_contrast if (real_same_rate > samerate): # 将对比树置空 newforest[k] = None result_forest = list() for i in range(0, newforest.__len__()): if not newforest[i] == None: result_forest.append(newforest[i]) return result_forest '''auc优化method''' def auc_optimization(auclist,trees_num,trees): # 为auc排序,获取从大到小的与trees相对应的索引列表 b = sorted(enumerate(auclist), key=lambda x: x[1], reverse=True) index_list = [x[0] for x in b] auc_num = int(trees_num * 2 / 3) # 取auc高的前auc_num个 print('auc: ', auc_num, index_list) newTempForest = list() for i in range(auc_num): # myRF.trees.append(tempForest[i]) # newTempForest.append(myRF.trees[index_list[i]]) newTempForest.append(trees[index_list[i]]) return newTempForest '''得到森林中决策树的最佳深度''' def getBestDepth(min_size,sample_ratio,trees_num,feature_ratio,traindata,testdata): max_depth = np.linspace(1, 15, 15, endpoint=True) # max_depth=[5,6,7,8,9,10,11,12,13,14,15] scores_final = [] i=0 for depth in max_depth: # 初始化随机森林 # print('=========>',i,'<=============') myRF_ = randomForest(trees_num, depth, min_size, sample_ratio, feature_ratio) # 生成随机森林 myRF_.build_randomforest(traindata) # 测试评估 acc = myRF_.accuracy_metric(testdata[:-1]) # print('模型准确率:', acc, '%') # scores_final.append(acc.mean()) scores_final.append(acc*0.01) i=i+1 # print('scores_final: ',scores_final) # 找到深度小且准确率高的值 best_depth = 0 temp_score = 0 for i in range(len(scores_final)): if scores_final[i] > temp_score: temp_score = scores_final[i] best_depth = max_depth[i] # print('best_depth:',np.mean(scores_final),best_depth) # plt.plot(max_depth, scores_final, 'r-', lw=2) # # plt.plot(max_depth, list(range(0,max(scores_final))), 'r-', lw=2) # plt.xlabel('max_depth') # plt.ylabel('CV scores') # plt.ylim(bottom=0.0,top=1.0) # plt.grid() # plt.show() return best_depth '''对比不同树个数时的模型正确率''' def getMyRFAcclist(treenum_list): seed(1) # 每一次执行本文件时都能产生同一个随机数 filename = 'DataSet3.csv' #SMOTE处理过的数据 min_size = 1 sample_ratio = 1 feature_ratio = 0.3 # 尽可能小,但是要保证 int(self.feature_ratio * (len(train[0])-1)) 大于1 same_value = 20 # 向量内积的差(小于此值认为相似) same_rate = 0.63 # 树的相似度(大于此值认为相似) # 加载数据 dataset, features = load_csv(filename) traindata, testdata = split_train_test(dataset, feature_ratio) # 森林中不同树个数的对比 # treenum_list = [20, 30, 40, 50, 60] acc_num_list = list() acc_list=list() for trees_num in treenum_list: # 优化1-获取最优深度 max_depth = getBestDepth(min_size, sample_ratio, trees_num, feature_ratio, traindata, testdata) print('max_depth is ', max_depth) # 初始化随机森林 myRF = randomForest(trees_num, max_depth, min_size, sample_ratio, feature_ratio) # 生成随机森林 myRF.build_randomforest(traindata) print('Tree_number: ', myRF.trees.__len__()) # 计算森林中每棵树的AUC auc_list = caculateAUC_1.caculateRFAUC(testdata, myRF.trees) # 选取AUC高的决策数形成新的森林(auc优化) newTempForest = auc_optimization(auc_list,trees_num,myRF.trees) # 相似度优化 myRF.trees = similarity_optimization(newTempForest, same_value, same_rate) # 测试评估 acc = myRF.accuracy_metric(testdata[:-1]) print('myRF1_模型准确率:', acc, '%') acc_num_list.append([myRF.trees.__len__(), acc]) acc_list.append(acc) print('trees_num from 20 to 60: ', acc_num_list) return acc_list if __name__ == '__main__': start = time.clock() seed(1) # 每一次执行本文件时都能产生同一个随机数 filename = 'DataSet3.csv' # 这里是已经利用SMOTE进行过预处理的数据集 max_depth = 15 # 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_ratio = 1 trees_num = 20 feature_ratio = 0.3 # 尽可能小,但是要保证 int(self.feature_ratio * (len(train[0])-1)) 大于1 same_value = 20 # 向量内积的差(小于此值认为相似) same_rate = 0.82 # 树的相似度(大于此值认为相似) # 加载数据 dataset,features = load_csv(filename) traindata,testdata = split_train_test(dataset, feature_ratio) # 优化1-获取最优深度 # max_depth = getBestDepth(min_size, sample_ratio, trees_num, feature_ratio, traindata, testdata) # print('max_depth is ',max_depth) # 初始化随机森林 myRF = randomForest(trees_num, max_depth, min_size, sample_ratio, feature_ratio) # 生成随机森林 myRF.build_randomforest(traindata) print('Tree_number: ', myRF.trees.__len__()) acc = myRF.accuracy_metric(testdata[:-1]) print('传统RF模型准确率:',acc,'%') # 画出某棵树用以可视化观察(这里是第一棵树) # plotTree.creatPlot(myRF.trees[0], features) # 计算森林中每棵树的AUC auc_list = caculateAUC_1.caculateRFAUC(testdata,myRF.trees) # 画出每棵树的auc——柱状图 # plotTree.plotAUCbar(auc_list.__len__(),auc_list) # 选取AUC高的决策数形成新的森林(auc优化) newTempForest = auc_optimization(auc_list,trees_num,myRF.trees) # 相似度优化 myRF.trees=similarity_optimization(newTempForest, same_value, same_rate) print('优化后Tree_number: ', myRF.trees.__len__()) # 测试评估 acc = myRF.accuracy_metric(testdata[:-1]) # print('优化后模型准确率:', acc, '%') print('myRF1_模型准确率:', acc, '%') # 画出某棵树用以可视化观察(这里是第一棵树) # plotTree.creatPlot(myRF.trees[0], features) # 计算森林中每棵树的AUC auc_list = caculateAUC_1.caculateRFAUC(testdata, myRF.trees) # 画出每棵树的auc——柱状图 plotTree.plotAUCbar(auc_list.__len__(), auc_list) end = time.clock() print('The end!') print(end-start)
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
标签:
python,随机森林算法,优化
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件!
如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
白云城资源网 Copyright www.dyhadc.com
暂无“python 随机森林算法及其优化详解”评论...
RTX 5090要首发 性能要翻倍!三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。
据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。
更新日志
2024年11月09日
2024年11月09日
- 雨林唱片《赏》新曲+精选集SACD版[ISO][2.3G]
- 罗大佑与OK男女合唱团.1995-再会吧!素兰【音乐工厂】【WAV+CUE】
- 草蜢.1993-宝贝对不起(国)【宝丽金】【WAV+CUE】
- 杨培安.2009-抒·情(EP)【擎天娱乐】【WAV+CUE】
- 周慧敏《EndlessDream》[WAV+CUE]
- 彭芳《纯色角3》2007[WAV+CUE]
- 江志丰2008-今生为你[豪记][WAV+CUE]
- 罗大佑1994《恋曲2000》音乐工厂[WAV+CUE][1G]
- 群星《一首歌一个故事》赵英俊某些作品重唱企划[FLAC分轨][1G]
- 群星《网易云英文歌曲播放量TOP100》[MP3][1G]
- 方大同.2024-梦想家TheDreamer【赋音乐】【FLAC分轨】
- 李慧珍.2007-爱死了【华谊兄弟】【WAV+CUE】
- 王大文.2019-国际太空站【环球】【FLAC分轨】
- 群星《2022超好听的十倍音质网络歌曲(163)》U盘音乐[WAV分轨][1.1G]
- 童丽《啼笑姻缘》头版限量编号24K金碟[低速原抓WAV+CUE][1.1G]