机器学习之集成学习（七）随机森林scikit-learn库

一、scikit-learn随机森林类库概述

在scikit-learn中，RF的分类类是RandomForestClassifier，回归类是RandomForestRegressor。RF的变种Extra Trees也有分类类ExtraTreesClassifier，回归类ExtraTreesRegressor。由于RF和Extra Trees的区别较小，调参方法基本相同，本文只关注于RF的调参。

GBDT的调参类似，RF需要调参的参数也包括两部分，第一部分是Bagging框架的参数，第二部分是CART决策树的参数。

二、RF框架参数

首先关注RF的Bagging框架的参数。这里可以和GBDT对比来学习。GBDT的框架参数比较多，重要的有最大迭代器个数、步长和子采样比例，调参起来比较费力。但是RF则比较简单，这是因为Bagging框架里的各个弱学习器之间是没有依赖关系的，这减小了调参的难度。换句话说，达到同样的调参效果，RF调参时间要比GBDT少一些。

下面来看看RF重要的Bagging框架的参数，由于RandomForestClassifier和RandomForestRegressor参数绝大部分相同，这里会一起讲，不同点会指出

1) n_estimators

弱学习器的最大迭代次数，或者说最大的弱学习器的个数。一般来说n_estimators太小，容易欠拟合，n_estimators太大，计算量会太大，并且n_estimators到一定的数量后，再增大n_estimators获得的模型提升很小，所以一般选择一个适中的数值。默认是100。

2) oob_score

是否采用袋外样本来评估模型的好坏。默认值False。推荐设置为True，因为袋外分数反应了一个模型拟合后的泛化能力。

3) criterion

CART树划分时对特征的评价标准。分类模型和回归模型的损失函数是不一样的。分类RF对应的CART分类树默认是基尼系数gini,另一个可选择的标准是信息增益。回归RF对应的CART回归树默认是均方差mse，另一个可以选择的标准是绝对值差mae。一般来说选择默认的标准已经很好了。

从上面可以看出， RF重要的框架参数比较少，主要需要关注的是 n_estimators，即RF最大的决策树个数。

三、RF决策树参数

下面再来看RF的决策树参数，它要调参的参数基本和GBDT相同，如下：

1) max_features划分时考虑的最大特征数

可以使用很多种类型的值，默认是"None"，意味着划分时考虑所有的特征数；如果是"log2"意味着划分时最多考虑log2(N)特征；如果是"sqrt"或者"auto"意味着划分时最多考虑sqrt(N)个特征。如果是整数，代表考虑的特征绝对数。如果是浮点数，代表考虑特征百分比，即考虑（百分比xN）取整后的特征数。其中N为样本总特征数。一般来说，如果样本特征数不多，比如小于50，用默认的"None"就可以了，如果特征数非常多，可以灵活使用刚才描述的其他取值来控制划分时考虑的最大特征数，以控制决策树的生成时间。

2) max_depth决策树最大深度

默认可以不输入，如果不输入的话，决策树在建立子树的时候不会限制子树的深度。一般来说，数据少或者特征少的时候可以不管这个值。如果模型样本量多，特征也多的情况下，推荐限制这个最大深度，具体的取值取决于数据的分布。常用的可以取值10-100之间。

3) min_samples_split内部节点再划分所需最小样本数

这个值限制了子树继续划分的条件，如果某节点的样本数少于min_samples_split，则不会继续再尝试选择最优特征来进行划分。默认是2，如果样本量不大，不需要管这个值。如果样本量数量级非常大，则推荐增大这个值。

4) min_samples_leaf叶子节点最少样本数

这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被剪枝。默认是1，可以输入最少的样本数的整数，或者最少样本数占样本总数的百分比。如果样本量不大，不需要管这个值。如果样本量数量级非常大，则推荐增大这个值。

5) min_weight_fraction_leaf叶子节点最小的样本权重和

这个值限制了叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起被剪枝。默认是0，即不考虑权重问题。一般来说，如果有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时就要注意这个值了。

6) max_leaf_nodes最大叶子节点数

通过限制最大叶子节点数，可以防止过拟合，默认是"None”，即不限制最大的叶子节点数。如果加了限制，算法会建立在最大叶子节点数内最优的决策树。如果特征不多，可以不考虑这个值，但是如果特征分成多的话，可以加以限制，具体的值可以通过交叉验证得到。

7) min_impurity_split节点划分最小不纯度

这个值限制了决策树的增长，如果某节点的不纯度（基于基尼系数，均方差）小于这个阈值，则该节点不再生成子节点，即为叶子节点。一般不推荐改动默认值1e-7。

上面决策树参数中最重要的包括最大特征数max_features、最大深度max_depth、内部节点再划分所需最小样本数min_samples_split和叶子节点最少样本数min_samples_leaf。

四、RF调参实例

数据的下载地址在这。本例采用袋外分数来评估模型的好坏。

首先，载入需要的类库：

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.grid_search import GridSearchCV
from sklearn import cross_validation, metricsimport matplotlib.pylab as plt
%matplotlib inline

接着，把解压的数据用下面的代码载入，顺便看看数据的类别分布。

train = pd.read_csv('train_modified.csv')
target='Disbursed' # Disbursed的值就是二元分类的输出
IDcol = 'ID'
train['Disbursed'].value_counts()

可以看到类别输出如下，也就是类别0占大多数。

0    19680
1      320
Name: Disbursed, dtype: int64

接着选择好样本特征和类别输出。

x_columns = [x for x in train.columns if x not in [target, IDcol]]
X = train[x_columns]
y = train['Disbursed']

任何参数都使用默认值，拟合下数据：

rf0 = RandomForestClassifier(oob_score=True, random_state=10)
rf0.fit(X,y)
print rf0.oob_score_
y_predprob = rf0.predict_proba(X)[:,1]
print "AUC Score (Train): %f" % metrics.roc_auc_score(y, y_predprob)

输出如下，可见袋外分数已经很高，而且AUC分数也很高。相对于GBDT的默认参数输出，RF的默认参数拟合效果对本例要好一些。

0.98005
AUC Score (Train): 0.999833

首先对n_estimators进行网格搜索：

param_test1 = {'n_estimators':range(10,71,10)}
gsearch1 = GridSearchCV(estimator = RandomForestClassifier(min_samples_split=100,min_samples_leaf=20,max_depth=8,max_features='sqrt' ,random_state=10), param_grid = param_test1, scoring='roc_auc',cv=5)
gsearch1.fit(X,y)
gsearch1.grid_scores_, gsearch1.best_params_, gsearch1.best_score_

输出结果如下：

([mean: 0.80681, std: 0.02236, params: {'n_estimators': 10},mean: 0.81600, std: 0.03275, params: {'n_estimators': 20},mean: 0.81818, std: 0.03136, params: {'n_estimators': 30},mean: 0.81838, std: 0.03118, params: {'n_estimators': 40},mean: 0.82034, std: 0.03001, params: {'n_estimators': 50},mean: 0.82113, std: 0.02966, params: {'n_estimators': 60},mean: 0.81992, std: 0.02836, params: {'n_estimators': 70}],
{'n_estimators': 60},
0.8211334476626017)

这样得到了最佳的弱学习器迭代次数，接着对决策树最大深度max_depth和内部节点再划分所需最小样本数min_samples_split进行网格搜索。

param_test2 = {'max_depth':range(3,14,2), 'min_samples_split':range(50,201,20)}
gsearch2 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 60, min_samples_leaf=20,max_features='sqrt' ,oob_score=True, random_state=10),param_grid = param_test2, scoring='roc_auc',iid=False, cv=5)
gsearch2.fit(X,y)
gsearch2.grid_scores_, gsearch2.best_params_, gsearch2.best_score_

输出如下：

([mean: 0.79379, std: 0.02347, params: {'min_samples_split': 50, 'max_depth': 3},mean: 0.79339, std: 0.02410, params: {'min_samples_split': 70, 'max_depth': 3},mean: 0.79350, std: 0.02462, params: {'min_samples_split': 90, 'max_depth': 3},mean: 0.79367, std: 0.02493, params: {'min_samples_split': 110, 'max_depth': 3},mean: 0.79387, std: 0.02521, params: {'min_samples_split': 130, 'max_depth': 3},mean: 0.79373, std: 0.02524, params: {'min_samples_split': 150, 'max_depth': 3},mean: 0.79378, std: 0.02532, params: {'min_samples_split': 170, 'max_depth': 3},mean: 0.79349, std: 0.02542, params: {'min_samples_split': 190, 'max_depth': 3},mean: 0.80960, std: 0.02602, params: {'min_samples_split': 50, 'max_depth': 5},mean: 0.80920, std: 0.02629, params: {'min_samples_split': 70, 'max_depth': 5},mean: 0.80888, std: 0.02522, params: {'min_samples_split': 90, 'max_depth': 5},mean: 0.80923, std: 0.02777, params: {'min_samples_split': 110, 'max_depth': 5},mean: 0.80823, std: 0.02634, params: {'min_samples_split': 130, 'max_depth': 5},mean: 0.80801, std: 0.02637, params: {'min_samples_split': 150, 'max_depth': 5},mean: 0.80792, std: 0.02685, params: {'min_samples_split': 170, 'max_depth': 5},mean: 0.80771, std: 0.02587, params: {'min_samples_split': 190, 'max_depth': 5},mean: 0.81688, std: 0.02996, params: {'min_samples_split': 50, 'max_depth': 7},mean: 0.81872, std: 0.02584, params: {'min_samples_split': 70, 'max_depth': 7},mean: 0.81501, std: 0.02857, params: {'min_samples_split': 90, 'max_depth': 7},mean: 0.81476, std: 0.02552, params: {'min_samples_split': 110, 'max_depth': 7},mean: 0.81557, std: 0.02791, params: {'min_samples_split': 130, 'max_depth': 7},mean: 0.81459, std: 0.02905, params: {'min_samples_split': 150, 'max_depth': 7},mean: 0.81601, std: 0.02808, params: {'min_samples_split': 170, 'max_depth': 7},mean: 0.81704, std: 0.02757, params: {'min_samples_split': 190, 'max_depth': 7},mean: 0.82090, std: 0.02665, params: {'min_samples_split': 50, 'max_depth': 9},mean: 0.81908, std: 0.02527, params: {'min_samples_split': 70, 'max_depth': 9},mean: 0.82036, std: 0.02422, params: {'min_samples_split': 90, 'max_depth': 9},mean: 0.81889, std: 0.02927, params: {'min_samples_split': 110, 'max_depth': 9},mean: 0.81991, std: 0.02868, params: {'min_samples_split': 130, 'max_depth': 9},mean: 0.81788, std: 0.02436, params: {'min_samples_split': 150, 'max_depth': 9},mean: 0.81898, std: 0.02588, params: {'min_samples_split': 170, 'max_depth': 9},mean: 0.81746, std: 0.02716, params: {'min_samples_split': 190, 'max_depth': 9},mean: 0.82395, std: 0.02454, params: {'min_samples_split': 50, 'max_depth': 11},mean: 0.82380, std: 0.02258, params: {'min_samples_split': 70, 'max_depth': 11},mean: 0.81953, std: 0.02552, params: {'min_samples_split': 90, 'max_depth': 11},mean: 0.82254, std: 0.02366, params: {'min_samples_split': 110, 'max_depth': 11},mean: 0.81950, std: 0.02768, params: {'min_samples_split': 130, 'max_depth': 11},mean: 0.81887, std: 0.02636, params: {'min_samples_split': 150, 'max_depth': 11},mean: 0.81910, std: 0.02734, params: {'min_samples_split': 170, 'max_depth': 11},mean: 0.81564, std: 0.02622, params: {'min_samples_split': 190, 'max_depth': 11},mean: 0.82291, std: 0.02092, params: {'min_samples_split': 50, 'max_depth': 13},mean: 0.82177, std: 0.02513, params: {'min_samples_split': 70, 'max_depth': 13},mean: 0.82415, std: 0.02480, params: {'min_samples_split': 90, 'max_depth': 13},mean: 0.82420, std: 0.02417, params: {'min_samples_split': 110, 'max_depth': 13},mean: 0.82209, std: 0.02481, params: {'min_samples_split': 130, 'max_depth': 13},mean: 0.81852, std: 0.02227, params: {'min_samples_split': 150, 'max_depth': 13},mean: 0.81955, std: 0.02885, params: {'min_samples_split': 170, 'max_depth': 13},mean: 0.82092, std: 0.02600, params: {'min_samples_split': 190, 'max_depth': 13}],
{'max_depth': 13, 'min_samples_split': 110},
0.8242016800050813)

再看看现在模型的袋外分数：

rf1 = RandomForestClassifier(n_estimators= 60, max_depth=13, min_samples_split=110,min_samples_leaf=20,max_features='sqrt' ,oob_score=True, random_state=10)
rf1.fit(X,y)
print rf1.oob_score_

输出结果为：
0.984

可见此时袋外分数有一定的提高，也就是时候模型的泛化能力增强了。

对于内部节点再划分所需最小样本数min_samples_split，暂时不能一起定下来，因为这个还和决策树其他的参数存在关联。下面再对内部节点再划分所需最小样本数min_samples_split和叶子节点最少样本数min_samples_leaf一起调参。

param_test3 = {'min_samples_split':range(80,150,20), 'min_samples_leaf':range(10,60,10)}
gsearch3 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 60, max_depth=13,max_features='sqrt' ,oob_score=True, random_state=10),param_grid = param_test3, scoring='roc_auc',iid=False, cv=5)
gsearch3.fit(X,y)
gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_

输出如下：

([mean: 0.82093, std: 0.02287, params: {'min_samples_split': 80, 'min_samples_leaf': 10},mean: 0.81913, std: 0.02141, params: {'min_samples_split': 100, 'min_samples_leaf': 10},mean: 0.82048, std: 0.02328, params: {'min_samples_split': 120, 'min_samples_leaf': 10},mean: 0.81798, std: 0.02099, params: {'min_samples_split': 140, 'min_samples_leaf': 10},mean: 0.82094, std: 0.02535, params: {'min_samples_split': 80, 'min_samples_leaf': 20},mean: 0.82097, std: 0.02327, params: {'min_samples_split': 100, 'min_samples_leaf': 20},mean: 0.82487, std: 0.02110, params: {'min_samples_split': 120, 'min_samples_leaf': 20},mean: 0.82169, std: 0.02406, params: {'min_samples_split': 140, 'min_samples_leaf': 20},mean: 0.82352, std: 0.02271, params: {'min_samples_split': 80, 'min_samples_leaf': 30},mean: 0.82164, std: 0.02381, params: {'min_samples_split': 100, 'min_samples_leaf': 30},mean: 0.82070, std: 0.02528, params: {'min_samples_split': 120, 'min_samples_leaf': 30},mean: 0.82141, std: 0.02508, params: {'min_samples_split': 140, 'min_samples_leaf': 30},mean: 0.82278, std: 0.02294, params: {'min_samples_split': 80, 'min_samples_leaf': 40},mean: 0.82141, std: 0.02547, params: {'min_samples_split': 100, 'min_samples_leaf': 40},mean: 0.82043, std: 0.02724, params: {'min_samples_split': 120, 'min_samples_leaf': 40},mean: 0.82162, std: 0.02348, params: {'min_samples_split': 140, 'min_samples_leaf': 40},mean: 0.82225, std: 0.02431, params: {'min_samples_split': 80, 'min_samples_leaf': 50},mean: 0.82225, std: 0.02431, params: {'min_samples_split': 100, 'min_samples_leaf': 50},mean: 0.81890, std: 0.02458, params: {'min_samples_split': 120, 'min_samples_leaf': 50},mean: 0.81917, std: 0.02528, params: {'min_samples_split': 140, 'min_samples_leaf': 50}],
{'min_samples_leaf': 20, 'min_samples_split': 120},
0.8248650279471544)

最后再对最大特征数max_features调参：

param_test4 = {'max_features':range(3,11,2)}
gsearch4 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 60, max_depth=13, min_samples_split=120,min_samples_leaf=20 ,oob_score=True, random_state=10),param_grid = param_test4, scoring='roc_auc',iid=False, cv=5)
gsearch4.fit(X,y)
gsearch4.grid_scores_, gsearch4.best_params_, gsearch4.best_score_

输出如下：

([mean: 0.81981, std: 0.02586, params: {'max_features': 3},mean: 0.81639, std: 0.02533, params: {'max_features': 5},mean: 0.82487, std: 0.02110, params: {'max_features': 7},mean: 0.81704, std: 0.02209, params: {'max_features': 9}],
{'max_features': 7},
0.8248650279471544)

用搜索到的最佳参数，再看看最终的模型拟合：

rf2 = RandomForestClassifier(n_estimators= 60, max_depth=13, min_samples_split=120,min_samples_leaf=20,max_features=7 ,oob_score=True, random_state=10)
rf2.fit(X,y)
print rf2.oob_score_

此时的输出为：
0.984
可见此时模型的袋外分数基本没有提高，主要原因是0.984已经是一个很高的袋外分数了，如果想进一步需要提高模型的泛化能力，则需要更多的数据。