Náhodné lesy

Machine Learning with Tree-Based Models in Python

Elie Kawerk

Data Scientist

Bagging

  • Základní estimátor: rozhodovací strom, logistická regrese, neuronová síť, …

  • Každý estimátor je trénován na odlišném bootstrapovém vzorku trénovací sady

  • Estimátory využívají při trénování a predikci všechny příznaky

Machine Learning with Tree-Based Models in Python

Větší diverzita díky náhodným lesům

  • Základní estimátor: rozhodovací strom

  • Každý estimátor je trénován na jiném bootstrapovém vzorku stejné velikosti jako trénovací sada

  • RF zavádí další náhodnost při trénování jednotlivých stromů

  • V každém uzlu se bez nahrazení vybere $d$ příznaků
    ( $d < \text{total number of features}$ )

Machine Learning with Tree-Based Models in Python

Náhodné lesy: trénování

Trénování náhodného lesa

Machine Learning with Tree-Based Models in Python

Náhodné lesy: predikce

Predikce náhodného lesa

Machine Learning with Tree-Based Models in Python

Náhodné lesy: klasifikace a regrese

Klasifikace:

  • Agreguje predikce hlasováním většiny
  • RandomForestClassifier v scikit-learn

Regrese:

  • Agreguje predikce průměrováním
  • RandomForestRegressor v scikit-learn
Machine Learning with Tree-Based Models in Python

Regressor náhodného lesa v sklearn (datová sada auto)

# Basic imports
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error as MSE
# Set seed for reproducibility
SEED = 1

# Split dataset into 70% train and 30% test
X_train, X_test, y_train, y_test = train_test_split(X, y, 
                                                    test_size=0.3,
                                                    random_state=SEED)
Machine Learning with Tree-Based Models in Python
# Instantiate a random forests regressor 'rf' 400 estimators
rf = RandomForestRegressor(n_estimators=400, 
                                   min_samples_leaf=0.12,  
                                   random_state=SEED)

# Fit 'rf' to the training set
rf.fit(X_train, y_train)
# Predict the test set labels 'y_pred'
y_pred = rf.predict(X_test)

# Evaluate the test set RMSE
rmse_test = MSE(y_test, y_pred)**(1/2)

# Print the test set RMSE
print('Test set RMSE of rf: {:.2f}'.format(rmse_test))

Test set RMSE of rf: 3.98
Machine Learning with Tree-Based Models in Python

Důležitost příznaků

Stromové metody: umožňují měřit důležitost každého příznaku pro predikci.

V sklearn:

  • míra, do jaké uzly stromu využívají daný příznak (vážený průměr) ke snížení nečistoty
  • přístup přes atribut feature_importance_
Machine Learning with Tree-Based Models in Python

Důležitost příznaků v sklearn

import pandas as pd
import matplotlib.pyplot as plt

# Create a pd.Series of features importances
importances_rf = pd.Series(rf.feature_importances_, index = X.columns)

# Sort importances_rf                                   
sorted_importances_rf = importances_rf.sort_values()   

# Make a horizontal bar plot
sorted_importances_rf.plot(kind='barh', color='lightgreen'); plt.show()
Machine Learning with Tree-Based Models in Python

Důležitost příznaků v sklearn

Důležitost příznaků – náhodný les

Machine Learning with Tree-Based Models in Python

Pojďme procvičovat!

Machine Learning with Tree-Based Models in Python

Preparing Video For Download...