一.集成算法概述

集成学习(ensemble learning)是时下非常流行的机器学习算法，它本身不是一个单独的机器学习算法，而是通

过在数据上构建多个模型，集成所有模型的建模结果。基本上所有的机器学习领域都可以看到集成学习的身影，在

现实中集成学习也有相当大的作用，它可以用来做市场营销模拟的建模，统计客户来源，保留和流失，也可用来预

测疾病的风险和病患者的易感性。在现在的各种算法竞赛中，随机森林，梯度提升树(GBDT)，Xgboost等集成

算法的身影也随处可见，可见其效果之好，应用之广。

集成算法的目标 :

集成算法会考虑多个评估器的建模结果，汇总之后得到一个综合的结果，以此来获取比单个模型更好的回归或

分类表现

集成评估器

多个模型集成成为的模型叫做集成评估器(ensemble estimator)，组成集成评估器的每个模型都叫做基评估器

(base estimator)。通常来说，有三类集成算法：装袋法(Bagging)，提升法(Boosting)和stacking。

装袋法的核心思想是构建多个相互独立的评估器，然后对其预测进行平均或多数表决原则来决定集成评估器的结

果。装袋法的代表模型就是随机森林。

提升法中，基评估器是相关的，是按顺序一一构建的。其核心思想是结合弱评估器的力量一次次对难以评估的样本

进行预测，从而构成一个强评估器。提升法的代表模型有Adaboost和梯度提升树。

二.RandomForestClassifier---随机森林分类器

2.1重要参数

2.1.1控制基评估器的参数

2.1.2 n_estimators

这是森林中树木的数量，即基评估器的数量。这个参数对随机森林模型的精确性影响是单调的，n_estimators越

大，模型的效果往往越好。但是相应的，任何模型都有决策边界，n_estimators达到一定的程度之后，随机森林的

精确性往往不在上升或开始波动，并且，n_estimators越大，需要的计算量和内存也越大，训练的时间也会越来越

长。对于这个参数，我们是渴望在训练难度和模型效果之间取得平衡。

n_estimators的默认值在现有版本的sklearn中是10，但是在即将更新的0.22版本中，这个默认值会被修正为

100。这个修正显示出了使用者的调参倾向：要更大的n_estimators

创建一片随机森林

1.导入包

%matplotlib inlinefromsklearn.tree import DecisionTreeClassifierfromsklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_wine

2.导入红酒数据集

wine =load_wine()

wine.data

wine.target

3.sklearn建模的基本流程

fromsklearn.model_selection import train_test_split

Xtrain, Xtest, Ytrain, Ytest= train_test_split(wine.data,wine.target,test_size=0.3)

clf= DecisionTreeClassifier(random_state=0)

rfc= RandomForestClassifier(random_state=0)

clf=clf.fit(Xtrain,Ytrain)

rfc=rfc.fit(Xtrain,Ytrain)

score_c=clf.score(Xtest,Ytest)

score_r=rfc.score(Xtest,Ytest)

print("Single Tree:{}".format(score_c)

,"Random Forest:{}".format(score_r)

)

4. 画出随机森林和决策树在一组交叉验证下的效果对比

fromsklearn.model_selection import cross_val_score

import matplotlib.pyplotasplt

rfc= RandomForestClassifier(n_estimators=25)

rfc_s= cross_val_score(rfc,wine.data,wine.target,cv=10)

clf=DecisionTreeClassifier()

clf_s= cross_val_score(clf,wine.data,wine.target,cv=10)

plt.plot(range(1,11),rfc_s,label = "RandomForest")

plt.plot(range(1,11),clf_s,label = "Decision Tree")

plt.legend()

plt.show()

5. 画出随机森林和决策树在十组交叉验证下的效果对比

rfc_l =[]

clf_l=[]for i in range(10):

rfc= RandomForestClassifier(n_estimators=25)

rfc_s= cross_val_score(rfc,wine.data,wine.target,cv=10).mean()

rfc_l.append(rfc_s)

clf=DecisionTreeClassifier()

clf_s= cross_val_score(clf,wine.data,wine.target,cv=10).mean()

clf_l.append(clf_s)

plt.plot(range(1,11),rfc_l,label = "Random Forest")

plt.plot(range(1,11),clf_l,label = "Decision Tree")

plt.legend()

plt.show()

#是否有注意到，单个决策树的波动轨迹和随机森林一致？

#再次验证了我们之前提到的，单个决策树的准确率越高，随机森林的准确率也会越高

6. n_estimators的学习曲线

#####【TIME WARNING: 2mins 30seconds】#####

superpa=[]for i in range(200):

rfc= RandomForestClassifier(n_estimators=i+1,n_jobs=-1)

rfc_s= cross_val_score(rfc,wine.data,wine.target,cv=10).mean()

superpa.append(rfc_s)

print(max(superpa),superpa.index(max(superpa)))

plt.figure(figsize=[20,5])

plt.plot(range(1,201),superpa)

plt.show()

2.1.3 random_state

随机森林中其实也有random_state，用法和分类树中相似，只不过在分类树中，一个random_state只控制生成一

棵树，而随机森林中的random_state控制的是生成森林的模式，而非让一个森林中只有一棵树。

estimators属性:查看森林中树的状况

当random_state固定时，随机森林中生成是一组固定的树，但每棵树依然是不一致的，这是

用”随机挑选特征进行分枝“的方法得到的随机性。并且我们可以证明，当这种随机性越大的时候，袋装法的效果一

般会越来越好。用袋装法集成时，基分类器应当是相互独立的，是不相同的。

但这种做法的局限性是很强的，当我们需要成千上万棵树的时候，数据不一定能够提供成千上万的特征来让我们构

筑尽量多尽量不同的树。因此，除了random_state。我们还需要其他的随机性。

2.1.4 bootstrap & oob_score

要让基分类器尽量都不一样，一种很容易理解的方法是使用不同的训练集来进行训练，而袋装法正是通过有放回的

随机抽样技术来形成不同的训练数据，bootstrap就是用来控制抽样技术的参数。

在一个含有n个样本的原始训练集中，我们进行随机采样，每次采样一个样本，并在抽取下一个样本之前将该样本

放回原始训练集，也就是说下次采样时这个样本依然可能被采集到，这样采集n次，最终得到一个和原始训练集一

样大的，n个样本组成的自助集。由于是随机采样，这样每次的自助集和原始数据集不同，和其他的采样集也是不

同的。这样我们就可以自由创造取之不尽用之不竭，并且互不相同的自助集，用这些自助集来训练我们的基分类

器，我们的基分类器自然也就各不相同了。

bootstrap参数默认True，代表采用这种有放回的随机抽样技术。通常，这个参数不会被我们设置为False。

然而有放回抽样也会有自己的问题。由于是有放回，一些样本可能在同一个自助集中出现多次，而其他一些却可能

被忽略，一般来说，自助集大约平均会包含63%的原始数据因此，会有约37%的训练数据被浪费掉，没有参与建模，

这些数据被称为袋外数据(out of bag data，简写为oob)。除了我们最开始就划分好的测试集之外，这些数据也可

以被用来作为集成算法的测试集。也就是说，在使用随机森林时，我们可以不划分测试集和训练集，只需要用袋外

数据来测试我们的模型即可。当然，这也不是绝对的，当n和n_estimators都不够大的时候，很可能就没有数据掉

落在袋外，自然也就无法使用oob数据来测试模型了。

如果希望用袋外数据来测试，则需要在实例化时就将oob_score这个参数调整为True，训练完毕之后，我们可以用

随机森林的另一个重要属性：oob_score_来查看我们的在袋外数据上测试的结果:

#无需划分训练集和测试集

rfc= RandomForestClassifier(n_estimators=25,oob_score=True)

rfc=rfc.fit(wine.data,wine.target)

#重要属性oob_score_

rfc.oob_score_

2.2 重要属性和接口

决策树的参数，并通过n_estimators，

random_state，boostrap和oob_score这四个参数帮助大家了解了袋装法的基本流程和重要概念。同时，我们还

介绍了.estimators_ 和 .oob_score_ 这两个重要属性。除了这两个属性之外，作为树模型的集成算法，随机森林

自然也有.feature_importances_这个属性。

随机森林的接口与决策树完全一致，因此依然有四个常用接口：apply, fit, predict和score。除此之外，还需要注

意随机森林的predict_proba接口，这个接口返回每个测试样本对应的被分到每一类标签的概率，标签有几个分类

就返回几个概率。如果是二分类问题，则predict_proba返回的数值大于0.5的，被分为1，小于0.5的，被分为0。

传统的随机森林是利用袋装法中的规则，平均或少数服从多数来决定集成的结果，而sklearn中的随机森林是平均

每个样本对应的predict_proba返回的概率，得到一个平均概率，从而决定测试样本的分类

#大家可以分别取尝试一下这些属性和接口

rfc= RandomForestClassifier(n_estimators=25)

rfc=rfc.fit(Xtrain, Ytrain)

rfc.score(Xtest,Ytest)

rfc.feature_importances_

rfc.apply(Xtest)

rfc.predict(Xtest)

rfc.predict_proba(Xtest)

三.RandomForestRegressor

所有的参数，属性与接口，全部和随机森林分类器一致。仅有的不同就是回归树与分类树的不同，不纯度的指标，

参数Criterion不一致。

3.1 重要参数，属性与接口

criterion

回归树衡量分枝质量的指标，支持的标准有三种：

1)输入"mse"使用均方误差mean squared error(MSE)，父节点和叶子节点之间的均方误差的差额将被用来作为

特征选择的标准，这种方法通过使用叶子节点的均值来最小化L2损失

2)输入“friedman_mse”使用费尔德曼均方误差，这种指标使用弗里德曼针对潜在分枝中的问题改进后的均方误差

3)输入"mae"使用绝对平均误差MAE(mean absolute error)。

在回归树中，MSE不只是我们的分枝质量衡量指标，也是我们最常用的衡

量回归树回归质量的指标，当我们在使用交叉验证，或者其他方式获取回归树的结果时，我们往往选择均方误差作

为我们的评估(在分类树中这个指标是score代表的预测准确率)。在回归中，我们追求的是，MSE越小越好。

然而，回归树的接口score返回的是R平方，并不是MSE。

R平方可以为正为负(如果模型的残差平方和远远大于

模型的总平方和，模型非常糟糕，R平方就会为负)，而均方误差永远为正。

值得一提的是，虽然均方误差永远为正，但是sklearn当中使用均方误差作为评判标准时，却是计算”负均方误

差“(neg_mean_squared_error)。这是因为sklearn在计算模型评估指标的时候，会考虑指标本身的性质，均

方误差本身是一种误差，所以被sklearn划分为模型的一种损失(loss),

因此在sklearn当中，都以负数表示。真正的

均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字。

重要属性和接口

最重要的属性和接口，都与随机森林的分类器相一致，还是apply, fit, predict和score最为核心。值得一提的是，随

机森林回归并没有predict_proba这个接口，因为对于回归来说，并不存在一个样本要被分到某个类别的概率问

题，因此没有predict_proba这个接口。

随机森林回归用法

和决策树完全一致，除了多了参数n_estimators

fromsklearn.datasets import load_bostonfromsklearn.model_selection import cross_val_scorefromsklearn.ensemble import RandomForestRegressor

boston=load_boston()

regressor= RandomForestRegressor(n_estimators=100,random_state=0)

cross_val_score(regressor, boston.data, boston.target, cv=10,scoring= "neg_mean_squared_error")

sorted(sklearn.metrics.SCORERS.keys())

返回十次交叉验证的结果，注意在这里，如果不填写scoring = "neg_mean_squared_error"，交叉验证默认的模型

衡量指标是R平方，因此交叉验证的结果可能有正也可能有负。而如果写上scoring，则衡量标准是负MSE，交叉验

证的结果只可能为负