欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python實(shí)現(xiàn)的隨機(jī)森林算法與簡單總結(jié)

 更新時(shí)間:2018年01月30日 11:26:20   作者:kim_lo  
這篇文章主要介紹了Python實(shí)現(xiàn)的隨機(jī)森林算法,結(jié)合實(shí)例形式詳細(xì)分析了隨機(jī)森林算法的概念、原理、實(shí)現(xiàn)技巧與相關(guān)注意事項(xiàng),需要的朋友可以參考下

本文實(shí)例講述了Python實(shí)現(xiàn)的隨機(jī)森林算法。分享給大家供大家參考,具體如下:

隨機(jī)森林是數(shù)據(jù)挖掘中非常常用的分類預(yù)測算法,以分類或回歸的決策樹為基分類器。算法的一些基本要點(diǎn):

*對大小為m的數(shù)據(jù)集進(jìn)行樣本量同樣為m的有放回抽樣;
*對K個(gè)特征進(jìn)行隨機(jī)抽樣,形成特征的子集,樣本量的確定方法可以有平方根、自然對數(shù)等;
*每棵樹完全生成,不進(jìn)行剪枝;
*每個(gè)樣本的預(yù)測結(jié)果由每棵樹的預(yù)測投票生成(回歸的時(shí)候,即各棵樹的葉節(jié)點(diǎn)的平均)

著名的python機(jī)器學(xué)習(xí)包scikit learn的文檔對此算法有比較詳盡的介紹: http://scikit-learn.org/stable/modules/ensemble.html#random-forests

出于個(gè)人研究和測試的目的,基于經(jīng)典的Kaggle 101泰坦尼克號乘客的數(shù)據(jù)集,建立模型并進(jìn)行評估。比賽頁面及相關(guān)數(shù)據(jù)集的下載:https://www.kaggle.com/c/titanic

泰坦尼克號的沉沒,是歷史上非常著名的海難。突然感到,自己面對的不再是冷冰冰的數(shù)據(jù),而是用數(shù)據(jù)挖掘的方法,去研究具體的歷史問題,也是饒有興趣。言歸正傳,模型的主要的目標(biāo),是希望根據(jù)每個(gè)乘客的一系列特征,如性別、年齡、艙位、上船地點(diǎn)等,對其是否能生還進(jìn)行預(yù)測,是非常典型的二分類預(yù)測問題。數(shù)據(jù)集的字段名及實(shí)例如下:

PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
1 0 3 Braund, Mr. Owen Harris male 22 1 0 A/5 21171 7.25 S
2 1 1 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1 0 PC 17599 71.2833 C85 C
3 1 3 Heikkinen, Miss. Laina female 26 0 0 STON/O2. 3101282 7.925 S
4 1 1 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1 0 113803 53.1 C123 S
5 0 3 Allen, Mr. William Henry male 35 0 0 373450 8.05 S

值得說明的是,SibSp是指sister brother spouse,即某個(gè)乘客隨行的兄弟姐妹、丈夫、妻子的人數(shù),Parch指parents,children

下面給出整個(gè)數(shù)據(jù)處理及建模過程,基于ubuntu+python 3.4( anaconda科學(xué)計(jì)算環(huán)境已經(jīng)集成一系列常用包,pandas numpy sklearn等,這里強(qiáng)烈推薦)

懶得切換輸入法,寫的時(shí)候主要的注釋都是英文,中文的注釋是后來補(bǔ)充的:-)

# -*- coding: utf-8 -*-
"""
@author: kim
"""
from model import *#載入基分類器的代碼
#ETL:same procedure to training set and test set
training=pd.read_csv('train.csv',index_col=0)
test=pd.read_csv('test.csv',index_col=0)
SexCode=pd.DataFrame([1,0],index=['female','male'],columns=['Sexcode']) #將性別轉(zhuǎn)化為01
training=training.join(SexCode,how='left',on=training.Sex)
training=training.drop(['Name','Ticket','Embarked','Cabin','Sex'],axis=1)#刪去幾個(gè)不參與建模的變量,包括姓名、船票號,船艙號
test=test.join(SexCode,how='left',on=test.Sex)
test=test.drop(['Name','Ticket','Embarked','Cabin','Sex'],axis=1)
print('ETL IS DONE!')
#MODEL FITTING
#===============PARAMETER AJUSTMENT============
min_leaf=1
min_dec_gini=0.0001
n_trees=5
n_fea=int(math.sqrt(len(training.columns)-1))
#==============================================
'''''
BEST SCORE:0.83
min_leaf=30
min_dec_gini=0.001
n_trees=20
'''
#ESSEMBLE BY RANDOM FOREST
FOREST={}
tmp=list(training.columns)
tmp.pop(tmp.index('Survived'))
feaList=pd.Series(tmp)
for t in range(n_trees):
#  fea=[]
  feasample=feaList.sample(n=n_fea,replace=False)#select feature
  fea=feasample.tolist()
  fea.append('Survived')
#    feaNew=fea.append(target)
  subset=training.sample(n=len(training),replace=True)#generate the dataset with replacement
  subset=subset[fea]
#  print(str(t)+' Classifier built on feature:')
#  print(list(fea))
  FOREST[t]=tree_grow(subset,'Survived',min_leaf,min_dec_gini) #save the tree
#MODEL PREDICTION
#======================
currentdata=training
output='submission_rf_20151116_30_0.001_20'
#======================
prediction={}
for r in currentdata.index:#a row
  prediction_vote={1:0,0:0}
  row=currentdata.get(currentdata.index==r)
  for n in range(n_trees):
    tree_dict=FOREST[n] #a tree
    p=model_prediction(tree_dict,row)
    prediction_vote[p]+=1
  vote=pd.Series(prediction_vote)
  prediction[r]=list(vote.order(ascending=False).index)[0]#the vote result
result=pd.Series(prediction,name='Survived_p')
#del prediction_vote
#del prediction
#result.to_csv(output)
t=training.join(result,how='left')
accuracy=round(len(t[t['Survived']==t['Survived_p']])/len(t),5)
print(accuracy)

上述是隨機(jī)森林的代碼,如上所述,隨機(jī)森林是一系列決策樹的組合,決策樹每次分裂,用Gini系數(shù)衡量當(dāng)前節(jié)點(diǎn)的“不純凈度”,如果按照某個(gè)特征的某個(gè)分裂點(diǎn)對數(shù)據(jù)集劃分后,能夠讓數(shù)據(jù)集的Gini下降最多(顯著地減少了數(shù)據(jù)集輸出變量的不純度),則選為當(dāng)前最佳的分割特征及分割點(diǎn)。代碼如下:

# -*- coding: utf-8 -*-
"""
@author: kim
"""
import pandas as pd
import numpy as np
#import sklearn as sk
import math
def tree_grow(dataframe,target,min_leaf,min_dec_gini):
  tree={} #renew a tree
  is_not_leaf=(len(dataframe)>min_leaf)
  if is_not_leaf:
    fea,sp,gd=best_split_col(dataframe,target)
    if gd>min_dec_gini:
      tree['fea']=fea
      tree['val']=sp
#      dataframe.drop(fea,axis=1) #1116 modified
      l,r=dataSplit(dataframe,fea,sp)
      l.drop(fea,axis=1)
      r.drop(fea,axis=1)
      tree['left']=tree_grow(l,target,min_leaf,min_dec_gini)
      tree['right']=tree_grow(r,target,min_leaf,min_dec_gini)
    else:#return a leaf
      return leaf(dataframe[target])
  else:
    return leaf(dataframe[target])
  return tree
def leaf(class_lable):
  tmp={}
  for i in class_lable:
    if i in tmp:
      tmp[i]+=1
    else:
      tmp[i]=1
  s=pd.Series(tmp)
  s.sort(ascending=False)
  return s.index[0]
def gini_cal(class_lable):
  p_1=sum(class_lable)/len(class_lable)
  p_0=1-p_1
  gini=1-(pow(p_0,2)+pow(p_1,2))
  return gini
def dataSplit(dataframe,split_fea,split_val):
  left_node=dataframe[dataframe[split_fea]<=split_val]
  right_node=dataframe[dataframe[split_fea]>split_val]
  return left_node,right_node
def best_split_col(dataframe,target_name):
  best_fea=''#modified 1116
  best_split_point=0
  col_list=list(dataframe.columns)
  col_list.remove(target_name)
  gini_0=gini_cal(dataframe[target_name])
  n=len(dataframe)
  gini_dec=-99999999
  for col in col_list:
    node=dataframe[[col,target_name]]
    unique=node.groupby(col).count().index
    for split_point in unique: #unique value
      left_node,right_node=dataSplit(node,col,split_point)
      if len(left_node)>0 and len(right_node)>0:
        gini_col=gini_cal(left_node[target_name])*(len(left_node)/n)+gini_cal(right_node[target_name])*(len(right_node)/n)
        if (gini_0-gini_col)>gini_dec:
          gini_dec=gini_0-gini_col#decrease of impurity
          best_fea=col
          best_split_point=split_point
    #print(col,split_point,gini_0-gini_col)
  return best_fea,best_split_point,gini_dec
def model_prediction(model,row): #row is a df
  fea=model['fea']
  val=model['val']
  left=model['left']
  right=model['right']
  if row[fea].tolist()[0]<=val:#get the value
    branch=left
  else:
    branch=right
  if ('dict' in str( type(branch) )):
    prediction=model_prediction(branch,row)
  else:
    prediction=branch
  return prediction

實(shí)際上,上面的代碼還有很大的效率提升的空間,數(shù)據(jù)集不是很大的情況下,如果選擇一個(gè)較大的輸入?yún)?shù),例如生成100棵樹,就會顯著地變慢;同時(shí),將預(yù)測結(jié)果提交至kaggle進(jìn)行評測,發(fā)現(xiàn)在測試集上的正確率不是很高,比使用sklearn里面相應(yīng)的包進(jìn)行預(yù)測的正確率(0.77512)要稍低一點(diǎn) :-(  如果要提升準(zhǔn)確率,兩個(gè)大方向: 構(gòu)造新的特征;調(diào)整現(xiàn)有模型的參數(shù)。

這里是拋磚引玉,歡迎大家對我的建模思路和算法的實(shí)現(xiàn)方法提出修改意見。

更多關(guān)于Python相關(guān)內(nèi)容感興趣的讀者可查看本站專題:《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python編碼操作技巧總結(jié)》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》及《Python入門與進(jìn)階經(jīng)典教程

希望本文所述對大家Python程序設(shè)計(jì)有所幫助。

相關(guān)文章

  • 盤點(diǎn)Python中讀取和提取JSON文件的4種方法

    盤點(diǎn)Python中讀取和提取JSON文件的4種方法

    JSON(JavaScript?Object?Notation)是一種輕量級的數(shù)據(jù)交換格式,Python中提供了多種方式來讀取和處理JSON文件,本文將詳細(xì)介紹四種常見的方法,希望對大家有所幫助
    2024-03-03
  • python爬蟲多次請求超時(shí)的幾種重試方法(6種)

    python爬蟲多次請求超時(shí)的幾種重試方法(6種)

    這篇文章主要介紹了python爬蟲多次請求超時(shí)的幾種重試方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2020-12-12
  • python中單下劃線(_)和雙下劃線(__)的特殊用法

    python中單下劃線(_)和雙下劃線(__)的特殊用法

    這篇文章主要介紹了python中單下劃線(_)和雙下劃線(__)的特殊用法,本文給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2019-08-08
  • Python連接PostgreSQL數(shù)據(jù)庫的方法

    Python連接PostgreSQL數(shù)據(jù)庫的方法

    大家應(yīng)該都有所了解,python可以操作多種數(shù)據(jù)庫,諸如SQLite、MySql、PostgreSQL等,這里不對所有的數(shù)據(jù)庫操作方法進(jìn)行贅述,只針對目前項(xiàng)目中用到的PostgreSQL做一下簡單介紹,主要是Python連接PostgreSQL數(shù)據(jù)庫的方法。有需要的朋友們可以參考借鑒,下面來一起看看吧。
    2016-11-11
  • python獲取指定時(shí)間段內(nèi)特定規(guī)律的日期列表

    python獲取指定時(shí)間段內(nèi)特定規(guī)律的日期列表

    這篇文章主要介紹了python獲取指定時(shí)間段內(nèi)特定規(guī)律的日期列表,本文通過實(shí)例代碼給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2021-04-04
  • python中property屬性的介紹及其應(yīng)用詳解

    python中property屬性的介紹及其應(yīng)用詳解

    這篇文章主要介紹了python中property屬性的介紹及其應(yīng)用詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2019-08-08
  • Manjaro、pip、conda更換國內(nèi)源的方法

    Manjaro、pip、conda更換國內(nèi)源的方法

    這篇文章主要介紹了Manjaro、pip、conda更換國內(nèi)源的方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2020-11-11
  • Python實(shí)現(xiàn)備份MySQL數(shù)據(jù)庫的方法示例

    Python實(shí)現(xiàn)備份MySQL數(shù)據(jù)庫的方法示例

    這篇文章主要介紹了Python實(shí)現(xiàn)備份MySQL數(shù)據(jù)庫的方法,涉及Python針對mysql數(shù)據(jù)庫的連接及基于mysqldump命令操作數(shù)據(jù)庫備份的相關(guān)實(shí)現(xiàn)技巧,需要的朋友可以參考下
    2018-01-01
  • pytorch中的dataset用法詳解

    pytorch中的dataset用法詳解

    這篇文章主要介紹了pytorch的dataset用法詳解,當(dāng)我們繼承了一個(gè)?Dataset類之后,我們需要重寫?len?方法,該方法提供了dataset的大??;?getitem?方法,?該方法支持從?0?到?len(self)的索引,下面來看看附有代碼的講解吧,希望對你的學(xué)習(xí)或者工作有所幫助
    2022-01-01
  • python在控制臺輸出進(jìn)度條的方法

    python在控制臺輸出進(jìn)度條的方法

    這篇文章主要介紹了python在控制臺輸出進(jìn)度條的方法,實(shí)例分析了Python輸出進(jìn)度條效果的方法,需要的朋友可以參考下
    2015-06-06

最新評論