Lasy losowe

Uczenie maszynowe z modelami drzewiastymi w Pythonie

Elie Kawerk

Data Scientist

Bagging

Estymator bazowy: Drzewo decyzyjne, Regresja logistyczna, Sieć neuronowa, ...
Każdy estymator jest trenowany na odrębnej próbce bootstrapowej ze zbioru treningowego
Estymatory wykorzystują wszystkie cechy do trenowania i predykcji

Większa różnorodność dzięki lasom losowym

Estymator bazowy: Drzewo decyzyjne
Każdy estymator jest trenowany na innej próbce bootstrapowej o tym samym rozmiarze co zbiór treningowy
RF wprowadza dodatkową losowość podczas trenowania poszczególnych drzew
$d$ cech jest losowanych w każdym węźle bez zwracania
( $d < \text{total number of features}$ )

Lasy losowe: trenowanie

Trenowanie lasów losowych

Lasy losowe: predykcja

Predykcja lasów losowych

Lasy losowe: klasyfikacja i regresja

Klasyfikacja:

Agreguje predykcje przez głosowanie większościowe
RandomForestClassifier w scikit-learn

Regresja:

Agreguje predykcje przez uśrednianie
RandomForestRegressor w scikit-learn

Regresor lasów losowych w sklearn (zbiór 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)

# 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

Ważność cech

Metody drzewiaste: umożliwiają pomiar ważności każdej cechy w predykcji.

W sklearn:

w jakim stopniu węzły drzewa wykorzystują daną cechę (średnia ważona) do redukcji nieczystości
dostępne za pomocą atrybutu feature_importance_

Ważność cech w 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()

Ważność cech w sklearn

Ważność cech – lasy losowe

Czas na ćwiczenia!

Uczenie maszynowe z modelami drzewiastymi w Pythonie