Случайные леса

Машинное обучение на основе древовидных моделей в Python

Elie Kawerk

Data Scientist

Бэггинг

Базовый estimator: Decision Tree, логистическая регрессия, нейронная сеть, ...
Каждый estimator обучается на отдельной бутстрэп-выборке из обучающего набора
Estimators используют все признаки для обучения и предсказания

Дополнительное разнообразие в случайных лесах

Базовый estimator: Decision Tree
Каждый estimator обучается на отдельной бутстрэп-выборке того же размера, что и обучающий набор
Случайные леса вносят дополнительную случайность при обучении отдельных деревьев
На каждом узле выбирается $d$ признаков без возвращения
( $d < \text{total number of features}$ )

Случайные леса: обучение

Обучение случайного леса

Случайные леса: предсказание

Предсказание случайного леса

Случайные леса: классификация и регрессия

Классификация:

Агрегирует предсказания методом большинства голосов
RandomForestClassifier в scikit-learn

Регрессия:

Агрегирует предсказания путём усреднения
RandomForestRegressor в scikit-learn

Регрессор случайного леса в sklearn (набор данных 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

Важность признаков

Древесные методы позволяют оценить важность каждого признака для предсказания.

В sklearn:

насколько активно узлы дерева используют данный признак (взвешенное среднее) для снижения примеси
доступно через атрибут feature_importance_

Важность признаков в 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()

Важность признаков в sklearn

Важность признаков случайного леса

Давайте потренируемся!

Машинное обучение на основе древовидных моделей в Python