隨機森林構(gòu)造有哪些步驟？隨機森林構(gòu)造案例

在機器學習中，隨機森林是一個包含多個決策樹的分類器，并且其輸出的類別是由個別樹輸出的類別的眾數(shù)而定。

隨機森林 = Bagging + 決策樹

例如, 如果你訓練了5個樹, 其中有4個樹的結(jié)果是True, 1個樹的結(jié)果是False, 那么最終投票結(jié)果就是True隨機森林夠造過程中的關(guān)鍵步驟(M表示特征數(shù)目)：

1)一次隨機選出一個樣本，有放回的抽樣，重復N次(有可能出現(xiàn)重復的樣本)

 2) 隨機去選出m個特征, m <<m，建立決策樹< p="">

思考

1.為什么要隨機抽樣訓練集?

如果不進行隨機抽樣，每棵樹的訓練集都一樣，那么最終訓練出的樹分類結(jié)果也是完全一樣的

2.為什么要有放回地抽樣?

如果不是有放回的抽樣，那么每棵樹的訓練樣本都是不同的，都是沒有交集的，這樣每棵樹都是“有偏的”，都是絕對“片面的”(當然這樣說可能不對)，也就是說每棵樹訓練出來都是有很大的差異的;而隨機森林最后分類取決于多棵樹(弱分類器)的投票表決。

隨機森林api介紹

• sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
  • n_estimators：integer，optional（default = 10）森林里的樹木數(shù)量120,200,300,500,800,1200
  • Criterion：string，可選（default =“gini”）分割特征的測量方法
  • max_depth：integer或None，可選（默認=無）樹的最大深度 5,8,15,25,30
  • max_features="auto”,每個決策樹的最大特征數(shù)量
    • If "auto", then max_features=sqrt(n_features).
    • If "sqrt", then max_features=sqrt(n_features)(same as "auto").
    • If "log2", then max_features=log2(n_features).
    • If None, then max_features=n_features.
  • bootstrap：boolean，optional（default = True）是否在構(gòu)建樹時使用放回抽樣
  • min_samples_split:節(jié)點劃分最少樣本數(shù)
  • min_samples_leaf:葉子節(jié)點的最小樣本數(shù)
• 超參數(shù)：n_estimator, max_depth, min_samples_split,min_samples_leaf

實例化隨機森林

# 隨機森林去進行預測
rf = RandomForestClassifier()

定義超參數(shù)的選擇列表

param = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}

使用GridSearchCV進行網(wǎng)格搜索

# 超參數(shù)調(diào)優(yōu)gc = GridSearchCV(rf, param_grid=param, cv=2)

gc.fit(x_train, y_train)

print("隨機森林預測的準確率為：", gc.score(x_test, y_test))

注意:

隨機森林的建立過程

樹的深度、樹的個數(shù)等需要進行超參數(shù)調(diào)優(yōu)

機器學習中入門級必學的算法有哪些？

什么是ORB算法?【OpenCV教程】

為什么CNN對像素級別的分類很難?

圖像的角點是什么？

黑馬程序員ai人工智能開發(fā)課程