Random Forests

Машинне навчання з деревоподібними моделями в Python

Elie Kawerk

Data Scientist

Bagging

Базовий оцінювач: Decision Tree, Logistic Regression, Neural Net, ...
Кожен оцінювач навчають на окремому бутстреп-зразку тренувального набору
Оцінювачі використовують усі ознаки для навчання й передбачення

Додаткова різноманітність у Random Forests

Базовий оцінювач: Decision Tree
Кожен оцінювач навчають на іншому бутстреп-зразку того ж розміру, що й тренувальний набір
RF додає додаткову рандомізацію під час навчання окремих дерев
На кожній вершині вибирають $d$ ознак без повернення
( $d < \text{загальна кількість ознак}$ )

Random Forests: навчання

Навчання RF

Random Forests: передбачення

Прогноз RF

Random Forests: класифікація й регресія

Класифікація:

Агрегує передбачення за більшістю голосів
RandomForestClassifier у scikit-learn

Регресія:

Агрегує передбачення усередненням
RandomForestRegressor у scikit-learn

Random Forests Regressor у sklearn (набір 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

Важливість ознак

Методи на деревах дають змогу оцінити важливість кожної ознаки в передбаченні.

У sklearn:

наскільки вузли дерева використовують певну ознаку (зважене середнє) для зменшення нечистоти
доступ через атрибут feature_importance_

Важливість ознак у 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()

Важливість ознак у sklearn

Важливість ознак RF

Давайте потренуємось!

Машинне навчання з деревоподібними моделями в Python