文章介紹了如何對(duì)隨機(jī)森林模型進(jìn)行參數(shù)調(diào)優(yōu)

原文來自：http://www.analyticsvidhya.com/blog/2015/06/tuning-random-forest-model/

為什么要調(diào)整機(jī)器學(xué)習(xí)算法？

一個(gè)月以前，我在kaggle上參加了一個(gè)名為TFI的比賽。 我第一次提交的結(jié)果在50%。 我不懈努力在特征工程上花了超過2周的時(shí)間，勉強(qiáng)達(dá)到20%。 出乎我意料的事是，在調(diào)整機(jī)器學(xué)習(xí)算法參數(shù)之后，我能夠達(dá)到前10%。

這是這就是機(jī)器學(xué)習(xí)算法參數(shù)調(diào)優(yōu)的重要性。 隨機(jī)森林是在工業(yè)界中使用的最簡(jiǎn)單的機(jī)器學(xué)習(xí)工具之一。 在我們以前的文章中，我們已經(jīng)向您介紹了隨機(jī)森林和和CART模型進(jìn)行了對(duì)比 。 機(jī)器學(xué)習(xí)工具包正由于這些算法的表現(xiàn)而被人所熟知。。

隨機(jī)森林是什么？

隨機(jī)森林是一個(gè)集成工具，它使用觀測(cè)數(shù)據(jù)的子集和變量的子集來建立一個(gè)決策樹。 它建立多個(gè)這樣的決策樹，然后將他們合并在一起以獲得更準(zhǔn)確和穩(wěn)定的預(yù)測(cè)。 這樣做最直接的事實(shí)是，在這一組獨(dú)立的預(yù)測(cè)結(jié)果中，用投票方式得到一個(gè)最高投票結(jié)果，這個(gè)比單獨(dú)使用最好模型預(yù)測(cè)的結(jié)果要好。

?我們通常將隨機(jī)森林作為一個(gè)黑盒子，輸入數(shù)據(jù)然后給出了預(yù)測(cè)結(jié)果，無(wú)需擔(dān)心模型是如何計(jì)算的。這個(gè)黑盒子本身有幾個(gè)我們可以擺弄的杠桿。 每個(gè)杠桿都能在一定程度上影響模型的性能或資源 -- 時(shí)間平衡。 在這篇文章中，我們將更多地討論我們可以調(diào)整的杠桿，同時(shí)建立一個(gè)隨機(jī)林模型。

調(diào)整隨機(jī)森林的參數(shù)/杠桿

隨機(jī)森林的參數(shù)即可以增加模型的預(yù)測(cè)能力，又可以使訓(xùn)練模型更加容易。 以下我們將更詳細(xì)地談?wù)摳鱾€(gè)參數(shù)（請(qǐng)注意，這些參數(shù)，我使用的是Python常規(guī)的命名法）：

1.使模型預(yù)測(cè)更好的特征

主要有3類特征可以被調(diào)整，以改善該模型的預(yù)測(cè)能力：

A. max_features：

隨機(jī)森林允許單個(gè)決策樹使用特征的最大數(shù)量。 Python為最大特征數(shù)提供了多個(gè)可選項(xiàng)。 下面是其中的幾個(gè)：

Auto/None ：簡(jiǎn)單地選取所有特征，每顆樹都可以利用他們。這種情況下，每顆樹都沒有任何的限制。

sqrt ：此選項(xiàng)是每顆子樹可以利用總特征數(shù)的平方根個(gè)。 例如，如果變量（特征）的總數(shù)是100，所以每顆子樹只能取其中的10個(gè)。“l(fā)og2”是另一種相似類型的選項(xiàng)。

0.2：此選項(xiàng)允許每個(gè)隨機(jī)森林的子樹可以利用變量（特征）數(shù)的20％。如果想考察的特征x％的作用， 我們可以使用“0.X”的格式。

max_features如何影響性能和速度？

增加max_features一般能提高模型的性能，因?yàn)樵诿總€(gè)節(jié)點(diǎn)上，我們有更多的選擇可以考慮。 然而，這未必完全是對(duì)的，因?yàn)樗档土藛蝹€(gè)樹的多樣性，而這正是隨機(jī)森林獨(dú)特的優(yōu)點(diǎn)。 但是，可以肯定，你通過增加max_features會(huì)降低算法的速度。 因此，你需要適當(dāng)?shù)钠胶夂瓦x擇最佳max_features。

B. n_estimators：

在利用最大投票數(shù)或平均值來預(yù)測(cè)之前，你想要建立子樹的數(shù)量。 較多的子樹可以讓模型有更好的性能，但同時(shí)讓你的代碼變慢。 你應(yīng)該選擇盡可能高的值，只要你的處理器能夠承受的住，因?yàn)檫@使你的預(yù)測(cè)更好更穩(wěn)定。

C. min_sample_leaf：

如果您以前編寫過一個(gè)決策樹，你能體會(huì)到最小樣本葉片大小的重要性。 葉是決策樹的末端節(jié)點(diǎn)。 較小的葉子使模型更容易捕捉訓(xùn)練數(shù)據(jù)中的噪聲。 一般來說，我更偏向于將最小葉子節(jié)點(diǎn)數(shù)目設(shè)置為大于50。在你自己的情況中，你應(yīng)該盡量嘗試多種葉子大小種類，以找到最優(yōu)的那個(gè)。

2.使得模型訓(xùn)練更容易的特征

有幾個(gè)屬性對(duì)模型的訓(xùn)練速度有直接影響。 對(duì)于模型速度，下面是一些你可以調(diào)整的關(guān)鍵參數(shù)：

A. n_jobs：

這個(gè)參數(shù)告訴引擎有多少處理器是它可以使用。 “-1”意味著沒有限制，而“1”值意味著它只能使用一個(gè)處理器。 下面是一個(gè)用Python做的簡(jiǎn)單實(shí)驗(yàn)用來檢查這個(gè)指標(biāo)：

％timeit model = RandomForestRegressor(n_estimator = 100, oob_score = TRUE,n_jobs = 1,random_state =1) model.fit(X,y) Output ———- 1 loop best of 3 : 1.7 sec per loop％timeit model = RandomForestRegressor(n_estimator = 100,oob_score = TRUE,n_jobs = -1,random_state =1) model.fit(X,y) Output ———- 1 loop best of 3 : 1.1 sec per loop

“％timeit”是一個(gè)非常好的功能，他能夠運(yùn)行函數(shù)多次并給出了最快循環(huán)的運(yùn)行時(shí)間。 這出來非常方便，同時(shí)將一個(gè)特殊的函數(shù)從原型擴(kuò)展到最終數(shù)據(jù)集中。

B. random_state：

此參數(shù)讓結(jié)果容易復(fù)現(xiàn)。 一個(gè)確定的隨機(jī)值將會(huì)產(chǎn)生相同的結(jié)果，在參數(shù)和訓(xùn)練數(shù)據(jù)不變的情況下。 我曾親自嘗試過將不同的隨機(jī)狀態(tài)的最優(yōu)參數(shù)模型集成，有時(shí)候這種方法比單獨(dú)的隨機(jī)狀態(tài)更好。

C. oob_score：

這是一個(gè)隨機(jī)森林交叉驗(yàn)證方法。 它和留一驗(yàn)證方法非常相似，但這快很多。 這種方法只是簡(jiǎn)單的標(biāo)記在每顆子樹中用的觀察數(shù)據(jù)。 然后對(duì)每一個(gè)觀察樣本找出一個(gè)最大投票得分，是由那些沒有使用該觀察樣本進(jìn)行訓(xùn)練的子樹投票得到。

下面函數(shù)中使用了所有這些參數(shù)的一個(gè)例子：

model = RandomForestRegressor(n_estimator = 100, oob_score = TRUE, n_jobs = -1,random_state =50,max_features = "auto", min_samples_leaf = 50)model.fit(x, y)

通過案例研究學(xué)習(xí)

我們以在以前的文章中經(jīng)常提到泰坦尼克號(hào)為例。 讓我們?cè)俅螄L試同樣的問題。 這種情況下的目標(biāo)是，了解調(diào)整隨機(jī)森林參數(shù)而不是找到最好的特征。 試試下面的代碼來構(gòu)建一個(gè)基本模型：

from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import roc_auc_score import pandas as pd x = pd.read_csv("train.csv") y = x.pop("Survived") model = RandomForestRegressor(n_estimator = 100 , oob_score = TRUE, random_state = 42) model.fit(x(numeric_variable,y) print "AUC - ROC : ", roc_auc_score(y,model.oob_prediction)AUC - ROC：0.7386

這是一個(gè)非常簡(jiǎn)單沒有參數(shù)設(shè)定的模型。 現(xiàn)在讓我們做一些參數(shù)調(diào)整。 正如我們以前討論過，我們有6個(gè)關(guān)鍵參數(shù)來調(diào)整。 我們有一些Python內(nèi)置的的網(wǎng)格搜索算法，它可以自動(dòng)調(diào)整所有參數(shù)。在這里讓我們自己動(dòng)手來實(shí)現(xiàn)，以更好了解該機(jī)制。 下面的代碼將幫助您用不同的葉子大小來調(diào)整模型。

練習(xí)：試試運(yùn)行下面的代碼，并在評(píng)論欄中找到最佳葉片大小。

sample_leaf_options = [1,5,10,50,100,200,500]for leaf_size in sample_leaf_options :model = RandomForestRegressor(n_estimator = 200, oob_score = TRUE, n_jobs = -1,random_state =50,max_features = "auto", min_samples_leaf = leaf_size)model.fit(x(numeric_variable,y)print "AUC - ROC : ", roc_auc_score(y,model.oob_prediction)

備注

就像是隨機(jī)森林，支持向量機(jī)，神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)工具都具有高性能。 他們有很高的性能，但用戶一般并不了解他們實(shí)際上是如何工作的。 不知道該模型的統(tǒng)計(jì)信息不是什么問題，但是不知道如何調(diào)整模型來擬合訓(xùn)練數(shù)據(jù)，這將會(huì)限制用戶使用該算法來充分發(fā)揮其潛力。 在一些后續(xù)的文章中，我們將討論其他機(jī)器學(xué)習(xí)算法，像支持向量機(jī)，GBM和neaural networks。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的Random Forest算法参数解释及调优的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。