Python機(jī)器學(xué)習(xí)利用隨機(jī)森林對(duì)特征重要性計(jì)算評(píng)估
1 前言
隨機(jī)森林是以決策樹為基學(xué)習(xí)器的集成學(xué)習(xí)算法。隨機(jī)森林非常簡(jiǎn)單，易于實(shí)現(xiàn)，計(jì)算開銷也很小，更令人驚奇的是它在分類和回歸上表現(xiàn)出了十分驚人的性能，因此，隨機(jī)森林也被譽(yù)為“代表集成學(xué)習(xí)技術(shù)水平的方法”。
2 隨機(jī)森林（RF）簡(jiǎn)介
只要了解決策樹的算法，那么隨機(jī)森林是相當(dāng)容易理解的。隨機(jī)森林的算法可以用如下幾個(gè)步驟概括：
1.用有抽樣放回的方法（bootstrap）從樣本集中選取n個(gè)樣本作為一個(gè)訓(xùn)練集
2.用抽樣得到的樣本集生成一棵決策樹。在生成的每一個(gè)結(jié)點(diǎn)：
- 隨機(jī)不重復(fù)地選擇d個(gè)特征
- 利用這d個(gè)特征分別對(duì)樣本集進(jìn)行劃分，找到最佳的劃分特征（可用基尼系數(shù)、增益率或者信息增益判別）
3.重復(fù)步驟1到步驟2共k次，k即為隨機(jī)森林中決策樹的個(gè)數(shù)。
4.用訓(xùn)練得到的隨機(jī)森林對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，并用票選法決定預(yù)測(cè)的結(jié)果。
下圖比較直觀地展示了隨機(jī)森林算法（圖片出自文獻(xiàn)2）：
圖1：隨機(jī)森林算法示意圖
沒錯(cuò)，就是這個(gè)到處都是隨機(jī)取值的算法，在分類和回歸上有著極佳的效果，是不是覺得強(qiáng)的沒法解釋~
然而本文的重點(diǎn)不是這個(gè)，而是接下來的特征重要性評(píng)估。
3 特征重要性評(píng)估
現(xiàn)實(shí)情況下，一個(gè)數(shù)據(jù)集中往往有成百上前個(gè)特征，如何在其中選擇比結(jié)果影響最大的那幾個(gè)特征，以此來縮減建立模型時(shí)的特征數(shù)是我們比較關(guān)心的問題。這樣的方法其實(shí)很多，比如主成分分析，lasso等等。不過，這里我們要介紹的是用隨機(jī)森林來對(duì)進(jìn)行特征篩選。
用隨機(jī)森林進(jìn)行特征重要性評(píng)估的思想其實(shí)很簡(jiǎn)單，說白了就是看看每個(gè)特征在隨機(jī)森林中的每顆樹上做了多大的貢獻(xiàn)，然后取個(gè)平均值，最后比一比特征之間的貢獻(xiàn)大小。
好了，那么這個(gè)貢獻(xiàn)是怎么一個(gè)說法呢？通?？梢杂没嶂笖?shù)（Gini index）或者袋外數(shù)據(jù)（OOB）錯(cuò)誤率作為評(píng)價(jià)指標(biāo)來衡量。
我們這里只介紹用基尼指數(shù)來評(píng)價(jià)的方法，想了解另一種方法的可以參考文獻(xiàn)2。
4 舉個(gè)例子
值得慶幸的是， sklearn已經(jīng)幫我們封裝好了一切，我們只需要調(diào)用其中的函數(shù)即可。
我們以UCI上葡萄酒的例子為例，首先導(dǎo)入數(shù)據(jù)集。
import pandas as pd
url = 'http://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data'
df = pd.read_csv(url, header = None)
df.columns = ['Class label', 'Alcohol', 'Malic acid', 'Ash',
'Alcalinity of ash', 'Magnesium', 'Total phenols',
'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins',
'Color intensity', 'Hue', 'OD280/OD315 of diluted wines', 'Proline']
然后，我們來大致看下這時(shí)一個(gè)怎么樣的數(shù)據(jù)集
import numpy as np np.unique(df['Class label'])
輸出為
array([1, 2, 3], dtype=int64)
可見共有3個(gè)類別。然后再來看下數(shù)據(jù)的信息：
df.info()
輸出為
<class 'pandas.core.frame.DataFrame'> RangeIndex: 178 entries, 0 to 177 Data columns (total 14 columns): Class label 178 non-null int64 Alcohol 178 non-null float64 Malic acid 178 non-null float64 Ash 178 non-null float64 Alcalinity of ash 178 non-null float64 Magnesium 178 non-null int64 Total phenols 178 non-null float64 Flavanoids 178 non-null float64 Nonflavanoid phenols 178 non-null float64 Proanthocyanins 178 non-null float64 Color intensity 178 non-null float64 Hue 178 non-null float64 OD280/OD315 of diluted wines 178 non-null float64 Proline 178 non-null int64 dtypes: float64(11), int64(3) memory usage: 19.5 KB
可見除去class label之外共有13個(gè)特征，數(shù)據(jù)集的大小為178。
按照常規(guī)做法，將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集。
from sklearn.cross_validation import train_test_split from sklearn.ensemble import RandomForestClassifier x, y = df.iloc[:, 1:].values, df.iloc[:, 0].values x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 0) feat_labels = df.columns[1:] forest = RandomForestClassifier(n_estimators=10000, random_state=0, n_jobs=-1) forest.fit(x_train, y_train)
好了，這樣一來隨機(jī)森林就訓(xùn)練好了，其中已經(jīng)把特征的重要性評(píng)估也做好了，我們拿出來看下。
importances = forest.feature_importances_
indices = np.argsort(importances)[::-1]
for f in range(x_train.shape[1]):
print("%2d) %-*s %f" % (f + 1, 30, feat_labels[indices[f]], importances[indices[f]]))
輸出的結(jié)果為
1) Color intensity 0.182483 2) Proline 0.158610 3) Flavanoids 0.150948 4) OD280/OD315 of diluted wines 0.131987 5) Alcohol 0.106589 6) Hue 0.078243 7) Total phenols 0.060718 8) Alcalinity of ash 0.032033 9) Malic acid 0.025400 10) Proanthocyanins 0.022351 11) Magnesium 0.022078 12) Nonflavanoid phenols 0.014645 13) Ash 0.013916
對(duì)的就是這么方便。
如果要篩選出重要性比較高的變量的話，這么做就可以
threshold = 0.15 x_selected = x_train[:, importances > threshold] x_selected.shape
輸出為
(124, 3)
瞧，這不，幫我們選好了3個(gè)重要性大于0.15的特征了嗎~
5 參考文獻(xiàn)
[1] Raschka S. Python Machine Learning[M]. Packt Publishing, 2015.
[2] 楊凱, 侯艷, 李康. 隨機(jī)森林變量重要性評(píng)分及其研究進(jìn)展[J]. 2015.
以上就是Python機(jī)器學(xué)習(xí)利用隨機(jī)森林對(duì)特征重要性計(jì)算評(píng)估的詳細(xì)內(nèi)容，更多關(guān)于Python隨機(jī)森林重要性計(jì)算的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
- Python分析特征數(shù)據(jù)類別與預(yù)處理方法速學(xué)
- python?OpenCV實(shí)現(xiàn)圖像特征匹配示例詳解
- python深度學(xué)習(xí)tensorflow1.0參數(shù)和特征提取
- caffe的python接口caffemodel參數(shù)及特征抽取示例
- Python計(jì)算機(jī)視覺SIFT尺度不變的圖像特征變換
- python神經(jīng)網(wǎng)絡(luò)特征金字塔FPN原理
- python機(jī)器學(xué)習(xí)基礎(chǔ)特征工程算法詳解
- Python機(jī)器學(xué)習(xí)特征重要性分析的8個(gè)常用方法實(shí)例探究
相關(guān)文章
cookies應(yīng)對(duì)python反爬蟲知識(shí)點(diǎn)詳解
在本篇文章里小編給大家整理關(guān)于cookies應(yīng)對(duì)python反爬蟲知識(shí)點(diǎn)詳解，有興趣的朋友們可以學(xué)習(xí)下。2020-11-11
python使用pymysql操作MySQL錯(cuò)誤代碼1054和1064處理方式
這篇文章主要介紹了python使用pymysql操作MySQL錯(cuò)誤代碼1054和1064處理方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-06-06
Python 調(diào)用 Outlook 發(fā)送郵件過程解析
這篇文章主要介紹了Python 調(diào)用 Outlook 發(fā)送郵件過程解析,文中通過示例代碼介紹的非常詳細(xì)，對(duì)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
分析Python感知線程狀態(tài)的解決方案之Event與信號(hào)量
本文主要介紹了如何感知線程狀態(tài)、如何停止一個(gè)線程、線程之間的Event用法2021-06-06
基于python的漢字轉(zhuǎn)GBK碼實(shí)現(xiàn)代碼
今天想用python調(diào)用百度框計(jì)算的搜過結(jié)果，看到了URL里面的漢字用GBK編碼，雖然可以直接在URL里面加入中文，之前也做過一個(gè)簡(jiǎn)體字轉(zhuǎn)GBK碼的python函數(shù)，但還是略嫌麻煩，今天改了一下2012-02-02
PyCharm設(shè)置Ipython交互環(huán)境和宏快捷鍵進(jìn)行數(shù)據(jù)分析圖文詳解
這篇文章主要介紹了PyCharm設(shè)置Ipython交互環(huán)境和宏快捷鍵進(jìn)行數(shù)據(jù)分析圖文詳解，文中通過示例代碼介紹的非常詳細(xì)，對(duì)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2020-04-04
這篇文章主要介紹了解析Python中的二進(jìn)制位運(yùn)算符,是Python學(xué)習(xí)中的基本知識(shí),需要的朋友可以參考下2015-05-05
這篇文章主要為大家介紹了Python文件路徑os.path函數(shù)深入剖析,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-08-08
python udp如何實(shí)現(xiàn)同時(shí)收發(fā)信息
這篇文章主要介紹了python udp如何實(shí)現(xiàn)同時(shí)收發(fā)信息，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-05-05
PyTorch 對(duì)應(yīng)點(diǎn)相乘、矩陣相乘實(shí)例
今天小編就為大家分享一篇PyTorch 對(duì)應(yīng)點(diǎn)相乘、矩陣相乘實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-12-12