python 随机森林算法及其优化详解

前言

优化随机森林算法，正确率提高1％~5％（已经有90％+的正确率，再调高会导致过拟合）

论文当然是参考的，毕竟出现早的算法都被人研究烂了，什么优化基本都做过。而人类最高明之处就是懂得利用前人总结的经验和制造的工具（说了这么多就是为偷懒找借口。hhhh）

优化思路

1. 计算传统模型准确率

2. 计算设定树木颗数时最佳树深度，以最佳深度重新生成随机森林

3. 计算新生成森林中每棵树的AUC，选取AUC靠前的一定百分比的树

4. 通过计算各个树的数据相似度，排除相似度超过设定值且AUC较小的树

5. 计算最终的准确率

主要代码粘贴如下（注释比较详细，就不介绍代码了）

#-*- coding: utf-8 -*-
import time
from csv import reader
from random import randint
from random import seed

import numpy as np
from numpy import mat

from group_11 import caculateAUC_1, plotTree

# 建立一棵CART树
'''试探分枝'''
def data_split(index, value, dataset):
left, right = list(), list()
for row in dataset:
 if row[index] < value:
  left.append(row)
 else:
  right.append(row)
return left, right

'''计算基尼指数'''
def calc_gini(groups, class_values):
gini = 0.0
total_size = 0
for group in groups:
 total_size += len(group)
for group in groups:
 size = len(group)
 if size == 0:
  continue
 for class_value in class_values:
  proportion = [row[-1] for row in group].count(class_value) / float(size)
  gini += (size / float(total_size)) * (proportion * (1.0 - proportion))# 二分类执行两次，相当于*2
return gini

'''找最佳分叉点'''
def get_split(dataset, n_features):
class_values = list(set(row[-1] for row in dataset))# 类别标签集合
b_index, b_value, b_score, b_groups = 999, 999, 999, None

# 随机选取特征子集，包含n_features个特征
features = list()
while len(features) < n_features:
 # 随机选取特征
 # 特征索引
 index = randint(0, len(dataset[0]) - 2) # 往features添加n_features个特征（n_feature等于特征数的根号），特征索引从dataset中随机取
 if index not in features:
  features.append(index)
for index in features:  # 对每一个特征
 # 计算Gini指数
 for row in dataset: # 按照每个记录的该特征的取值划分成两个子集，计算对于的Gini（D，A），取最小的
  groups = data_split(index, row[index], dataset)
  gini = calc_gini(groups, class_values)
  if gini < b_score:
   b_index, b_value, b_score, b_groups = index, row[index], gini, groups
return {'index': b_index, 'value': b_value, 'groups': b_groups} # 每个节点由字典组成

'''多数表决'''
def to_terminal(group):
outcomes = [row[-1] for row in group]
return max(set(outcomes), key=outcomes.count)

'''分枝'''
def split(node, max_depth, min_size, n_features, depth):
left, right = node['groups'] # 自动分包/切片
del (node['groups'])
if not left or not right: # left或者right为空时
 node['left'] = node['right'] = to_terminal(left + right) # 叶节点不好理解
 return

if depth >= max_depth:
 node['left'], node['right'] = to_terminal(left), to_terminal(right)
 return
# 左子树
if len(left) <= min_size:
 node['left'] = to_terminal(left)
else:
 node['left'] = get_split(left, n_features)
 split(node['left'], max_depth, min_size, n_features, depth + 1)
# 右子树
if len(right) <= min_size: # min_size最小的的分枝样本数
 node['right'] = to_terminal(right)
else:
 node['right'] = get_split(right, n_features)
 split(node['right'], max_depth, min_size, n_features, depth + 1)

'''建立一棵树'''
def build_one_tree(train, max_depth, min_size, n_features):
# 寻找最佳分裂点作为根节点
root = get_split(train, n_features)
split(root, max_depth, min_size, n_features, 1)
return root

'''用森林里的一棵树来预测'''
def predict(node, row):
if row[node['index']] < node['value']:
 if isinstance(node['left'], dict):
  return predict(node['left'], row)
 else:
  return node['left']
else:
 if isinstance(node['right'], dict):
  return predict(node['right'], row)
 else:
  return node['right']

# 随机森林类
class randomForest:
def __init__(self,trees_num, max_depth, leaf_min_size, sample_ratio, feature_ratio):
 self.trees_num = trees_num    # 森林的树的数目
 self.max_depth = max_depth    # 树深
 self.leaf_min_size = leaf_min_size  # 建立树时，停止的分枝样本最小数目
 self.samples_split_ratio = sample_ratio # 采样，创建子集的比例（行采样）
 self.feature_ratio = feature_ratio  # 特征比例（列采样）
 self.trees = list()      # 森林

'''有放回的采样，创建数据子集'''
def sample_split(self, dataset):
 sample = list()
 n_sample = round(len(dataset) * self.samples_split_ratio) #每棵树的采样数
 while len(sample) < n_sample:
  index = randint(0, len(dataset) - 2) #随机有放回的采样
  sample.append(dataset[index])
 return sample

##############***Out-of-Bag***################################
# 进行袋外估计等相关函数的实现,需要注意并不是每个样本都可能出现在随机森林的袋外数据中
# 因此进行oob估计时需要注意估计样本的数量
def OOB(self, oobdata, train, trees):
 '''输入为：袋外数据dict,训练集,tree_list
 return oob准确率'''

n_rows = []
 count = 0
 n_trees = len(trees) # 森林中树的棵树

for key, item in oobdata.items():
  n_rows.append(item)

# print(len(n_rows)) # 所有trees中的oob数据的合集

n_rows_list = sum(n_rows, [])

unique_list = []
 for l1 in n_rows_list: # 从oob合集中计算独立样本数量
  if l1 not in unique_list:
   unique_list.append(l1)

n = len(unique_list)
 # print(n)

# 对训练集中的每个数据，进行遍历，寻找其作为oob数据时的所有trees,并进行多数投票
 for row in train:
  pre = []
  for i in range(n_trees):
   if row not in oobdata[i]:
    # print('row: ',row)
    # print('trees[i]: ', trees[i])
    pre.append(predict(trees[i], row))
  if len(pre) > 0:
   label = max(set(pre), key=pre.count)
   if label == row[-1]:
    count += 1

return (float(count) / n) * 100

'''建立随机森林'''
def build_randomforest(self, train):
 temp_flag = 0
 max_depth = self.max_depth   # 树深
 min_size = self.leaf_min_size  # 建立树时，停止的分枝样本最小数目
 n_trees = self.trees_num    # 森林的树的数目
 n_features = int(self.feature_ratio * (len(train[0])-1)) #列采样，从M个feature中，选择m个(m<<M)
 # print('特征值为 : ',n_features)
 oobs = {} # ----------------------
 for i in range(n_trees):   # 建立n_trees棵决策树
  sample = self.sample_split(train)  # 有放回的采样，创建数据子集
  oobs[i] = sample # ----------------
  tree = build_one_tree(sample, max_depth, min_size, n_features) # 建立决策树
  self.trees.append(tree)
  temp_flag += 1
  # print(i,tree)
 oob_score = self.OOB(oobs, train, self.trees) # oob准确率---------
 print("oob_score is ", oob_score) # 打印oob准确率---------
 return self.trees

'''随机森林预测的多数表决'''
def bagging_predict(self, onetestdata):
 predictions = [predict(tree, onetestdata) for tree in self.trees]
 return max(set(predictions), key=predictions.count)

'''计算建立的森林的精确度'''
def accuracy_metric(self, testdata):
 correct = 0
 for i in range(len(testdata)):
  predicted = self.bagging_predict(testdata[i])
  if testdata[i][-1] == predicted:
   correct += 1
 return correct / float(len(testdata)) * 100.0

# 数据处理
'''导入数据'''
def load_csv(filename):
dataset = list()
with open(filename, 'r') as file:
 csv_reader = reader(file)
 for row in csv_reader:
  if not row:
   continue
  # dataset.append(row)
  dataset.append(row[:-1])
# return dataset
return dataset[1:], dataset[0]

'''划分训练数据与测试数据'''
def split_train_test(dataset, ratio=0.3):
#ratio = 0.2 # 取百分之二十的数据当做测试数据
num = len(dataset)
train_num = int((1-ratio) * num)
dataset_copy = list(dataset)
traindata = list()
while len(traindata) < train_num:
 index = randint(0,len(dataset_copy)-1)
 traindata.append(dataset_copy.pop(index))
testdata = dataset_copy
return traindata, testdata

'''分析树，将向量内积写入list'''
def analyListTree(node, tag, result):
# 叶子节点的父节点
if (isinstance(node['left'], dict)):
 # 计算node与node[tag]的内积
 tag="left"
 re = Inner_product(node, tag)
 result.append(re)
 analyListTree(node['left'], 'left', result)
 return
elif (isinstance(node['right'], dict)):
 # 计算node与node[tag]的内积
 tag = "right"
 re = Inner_product(node, tag)
 result.append(re)
 analyListTree(node['right'], 'right', result)
 return
else:
 return

'''求向量内积'''
# 计算node与node[tag]的内积
def Inner_product(node ,tag):
a = mat([[float(node['index'])], [float(node['value'])]])
b = mat([[float(node[tag]['index'])], [float(node[tag]['value'])]])
return (a.T * b)[0,0]

'''相似度优化'''
''' same_value = 20  # 向量内积的差（小于此值认为相似）
same_rate = 0.63  # 树的相似度（大于此值认为相似）
返回新的森林（已去掉相似度高的树）'''
def similarity_optimization(newforest, samevalue, samerate):
res = list()    # 存储森林的内积
result = list()    # 存储某棵树的内积
i = 1
for tree in newforest:
 # 分析树，将向量内积写入list
 # result 存储tree的内积
 analyListTree(tree, None, result)
 res.append(result)
 # print('第',i,'棵树：',len(result),result)
 result = []
# print('res = ',len(res),res)
# 取一棵树的单个向量内积与其他树的单个向量内积做完全对比（相似度）
# 遍历列表的列
for i in range(0, len(res) - 1):
 # 保证此列未被置空、
 if not newforest[i] == None:
  # 遍历做对比的树的列
  for k in range(i + 1, len(res)):
   if not newforest[k] == None:
    # time用于统计相似的次数，在每次更换对比树时重置为0
    time = 0
    # 遍历列表的当前行
    for j in range(0, len(res[i])):
     # 当前两颗树对比次数
     all_contrast = (res[ i].__len__() * res[k].__len__())
     # 遍历做对比的树的行
     for l in range(0, len(res[k])):
      # 如果向量的内积相等，计数器加一
      if res[i][j] - res[k][l] < samevalue:
       time = time + 1
     # 如果相似度大于设定值
    real_same_rate = time / all_contrast
    if (real_same_rate > samerate):
     # 将对比树置空
     newforest[k] = None
result_forest = list()
for i in range(0, newforest.__len__()):
 if not newforest[i] == None:
  result_forest.append(newforest[i])
return result_forest

'''auc优化method'''
def auc_optimization(auclist,trees_num,trees):
# 为auc排序，获取从大到小的与trees相对应的索引列表
b = sorted(enumerate(auclist), key=lambda x: x[1], reverse=True)
index_list = [x[0] for x in b]
auc_num = int(trees_num * 2 / 3)
# 取auc高的前auc_num个
print('auc: ', auc_num, index_list)
newTempForest = list()
for i in range(auc_num):
 # myRF.trees.append(tempForest[i])
 # newTempForest.append(myRF.trees[index_list[i]])
 newTempForest.append(trees[index_list[i]])
return newTempForest

'''得到森林中决策树的最佳深度'''
def getBestDepth(min_size,sample_ratio,trees_num,feature_ratio,traindata,testdata):
max_depth = np.linspace(1, 15, 15, endpoint=True)
# max_depth=[5,6,7,8,9,10,11,12,13,14,15]
scores_final = []
i=0
for depth in max_depth:
 # 初始化随机森林
 # print('=========>',i,'<=============')
 myRF_ = randomForest(trees_num, depth, min_size, sample_ratio, feature_ratio)
 # 生成随机森林
 myRF_.build_randomforest(traindata)
 # 测试评估
 acc = myRF_.accuracy_metric(testdata[:-1])
 # print('模型准确率：', acc, '％')
 # scores_final.append(acc.mean())
 scores_final.append(acc*0.01)
 i=i+1
# print('scores_final: ',scores_final)
# 找到深度小且准确率高的值
best_depth = 0
temp_score = 0
for i in range(len(scores_final)):
 if scores_final[i] > temp_score:
  temp_score = scores_final[i]
  best_depth = max_depth[i]
# print('best_depth:',np.mean(scores_final),best_depth)
# plt.plot(max_depth, scores_final, 'r-', lw=2)
# # plt.plot(max_depth, list(range(0,max(scores_final))), 'r-', lw=2)
# plt.xlabel('max_depth')
# plt.ylabel('CV scores')
# plt.ylim(bottom=0.0,top=1.0)
# plt.grid()
# plt.show()
return best_depth

'''对比不同树个数时的模型正确率'''
def getMyRFAcclist(treenum_list):
seed(1) # 每一次执行本文件时都能产生同一个随机数
filename = 'DataSet3.csv'   #SMOTE处理过的数据
min_size = 1
sample_ratio = 1
feature_ratio = 0.3 # 尽可能小，但是要保证 int(self.feature_ratio * (len(train[0])-1)) 大于1
same_value = 20 # 向量内积的差（小于此值认为相似）
same_rate = 0.63 # 树的相似度（大于此值认为相似）

# 加载数据
dataset, features = load_csv(filename)
traindata, testdata = split_train_test(dataset, feature_ratio)
# 森林中不同树个数的对比
# treenum_list = [20, 30, 40, 50, 60]
acc_num_list = list()
acc_list=list()
for trees_num in treenum_list:
 # 优化1-获取最优深度
 max_depth = getBestDepth(min_size, sample_ratio, trees_num, feature_ratio, traindata, testdata)
 print('max_depth is ', max_depth)

# 初始化随机森林
 myRF = randomForest(trees_num, max_depth, min_size, sample_ratio, feature_ratio)
 # 生成随机森林
 myRF.build_randomforest(traindata)

print('Tree_number: ', myRF.trees.__len__())
 # 计算森林中每棵树的AUC
 auc_list = caculateAUC_1.caculateRFAUC(testdata, myRF.trees)
 # 选取AUC高的决策数形成新的森林(auc优化)
 newTempForest = auc_optimization(auc_list,trees_num,myRF.trees)
 # 相似度优化
 myRF.trees = similarity_optimization(newTempForest, same_value, same_rate)
 # 测试评估
 acc = myRF.accuracy_metric(testdata[:-1])
 print('myRF1_模型准确率：', acc, '％')
 acc_num_list.append([myRF.trees.__len__(), acc])
 acc_list.append(acc)
print('trees_num from 20 to 60: ', acc_num_list)
return acc_list

if __name__ == '__main__':
start = time.clock()
seed(1) # 每一次执行本文件时都能产生同一个随机数
filename = 'DataSet3.csv'  # 这里是已经利用SMOTE进行过预处理的数据集
max_depth = 15 # 调参（自己修改） #决策树深度不能太深，不然容易导致过拟合
min_size = 1
sample_ratio = 1
trees_num = 20

feature_ratio = 0.3  # 尽可能小，但是要保证 int(self.feature_ratio * (len(train[0])-1)) 大于1
same_value = 20  # 向量内积的差（小于此值认为相似）
same_rate = 0.82  # 树的相似度（大于此值认为相似）
# 加载数据
dataset,features = load_csv(filename)
traindata,testdata = split_train_test(dataset, feature_ratio)

# 优化1-获取最优深度
# max_depth = getBestDepth(min_size, sample_ratio, trees_num, feature_ratio, traindata, testdata)
# print('max_depth is ',max_depth)

# 初始化随机森林
myRF = randomForest(trees_num, max_depth, min_size, sample_ratio, feature_ratio)
# 生成随机森林
myRF.build_randomforest(traindata)

print('Tree_number: ', myRF.trees.__len__())
acc = myRF.accuracy_metric(testdata[:-1])
print('传统RF模型准确率：',acc,'％')

# 画出某棵树用以可视化观察（这里是第一棵树）
# plotTree.creatPlot(myRF.trees[0], features)
# 计算森林中每棵树的AUC
auc_list = caculateAUC_1.caculateRFAUC(testdata,myRF.trees)
# 画出每棵树的auc——柱状图
# plotTree.plotAUCbar(auc_list.__len__(),auc_list)

# 选取AUC高的决策数形成新的森林(auc优化)
newTempForest = auc_optimization(auc_list,trees_num,myRF.trees)
# 相似度优化
myRF.trees=similarity_optimization(newTempForest, same_value, same_rate)

print('优化后Tree_number: ', myRF.trees.__len__())
# 测试评估
acc = myRF.accuracy_metric(testdata[:-1])
# print('优化后模型准确率：', acc, '％')
print('myRF1_模型准确率：', acc, '％')
# 画出某棵树用以可视化观察（这里是第一棵树）
# plotTree.creatPlot(myRF.trees[0], features)
# 计算森林中每棵树的AUC
auc_list = caculateAUC_1.caculateRFAUC(testdata, myRF.trees)
# 画出每棵树的auc——柱状图
plotTree.plotAUCbar(auc_list.__len__(), auc_list)
end = time.clock()
print('The end!')
print(end-start)

来源：https://blog.csdn.net/w4187402/article/details/91495025