Păduri Aleatoare

Machine Learning cu modele bazate pe arbori în Python

Elie Kawerk

Data Scientist

Bagging

  • Estimator de bază: Arbore de Decizie, Regresie Logistică, Rețea Neuronală, ...

  • Fiecare estimator este antrenat pe un eșantion bootstrap distinct din setul de antrenament

  • Estimatorii folosesc toate caracteristicile pentru antrenament și predicție

Machine Learning cu modele bazate pe arbori în Python

Diversitate Suplimentară cu Păduri Aleatoare

  • Estimator de bază: Arbore de Decizie

  • Fiecare estimator este antrenat pe un eșantion bootstrap diferit, de aceeași dimensiune cu setul de antrenament

  • RF introduce diversitate suplimentară în antrenarea arborilor individuali

  • $d$ caracteristici sunt selectate aleatoriu la fiecare nod fără înlocuire
    ( $d < \text{total number of features}$ )

Machine Learning cu modele bazate pe arbori în Python

Păduri Aleatoare: Antrenament

Antrenarea RF

Machine Learning cu modele bazate pe arbori în Python

Păduri Aleatoare: Predicție

Predicția RF

Machine Learning cu modele bazate pe arbori în Python

Păduri Aleatoare: Clasificare și Regresie

Clasificare:

  • Agregă predicțiile prin vot majoritar
  • RandomForestClassifier în scikit-learn

Regresie:

  • Agregă predicțiile prin medie
  • RandomForestRegressor în scikit-learn
Machine Learning cu modele bazate pe arbori în Python

Random Forest Regressor în sklearn (setul de date 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 cu modele bazate pe arbori în 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 cu modele bazate pe arbori în Python

Importanța Caracteristicilor

Metodele bazate pe arbori permit măsurarea importanței fiecărei caracteristici în predicție.

În sklearn:

  • cât de mult folosesc nodurile arborelui o anumită caracteristică (medie ponderată) pentru a reduce impuritatea
  • accesată prin atributul feature_importance_
Machine Learning cu modele bazate pe arbori în Python

Importanța Caracteristicilor în 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 cu modele bazate pe arbori în Python

Importanța Caracteristicilor în sklearn

Importanța caracteristicilor - RF

Machine Learning cu modele bazate pe arbori în Python

Să exersăm!

Machine Learning cu modele bazate pe arbori în Python

Preparing Video For Download...