您的位置:68399皇家赌场 > 集群主机 > 【皇家赌场】Python决策树和任意森林算法实例详

【皇家赌场】Python决策树和任意森林算法实例详

发布时间:2019-08-31 11:37编辑:集群主机浏览(172)

    Python完成的随机森林算法与简短计算,python森林算法

    本文实例陈诉了Python达成的任意森林算法。分享给大家供大家参谋,具体如下:

    轻易森林是数额发现中充裕常用的分类预测算法,以分类或回归的决策树为基分类器。算法的有个别骨干要义:

    *对大小为m的数码集实行样本量同样为m的有放回抽样;
    *对K个特征举行大肆取样,变成特色的子集,样本量的鲜明方法能够有平方根、自然对数等;
    *每棵树完全成形,不开展剪枝;
    *各样样本的预测结果由每棵树的测度投票生成(回归的时候,即各棵树的叶节点的平分)

    盛名的python机器学习包scikit learn的文书档案对此算法有比较详细的牵线:

    鉴于个人钻探和测量试验的目标,基于优秀的Kaggle 101泰坦Nick号旅客的数据集,建模并扩充评估。比赛页面及有关数据集的下载:

    泰坦Nick号的沉淀,是野史上充裕资深的海事。溘然感觉,本身面临的不再是冷淡的数量,而是用数据发掘的点子,去切磋具体的历史难题,也是饶有兴趣。言归正传,模型的要害的靶子,是希望遵照种种旅客的一多元特征,如性别、年龄、舱位、上船地方等,对其是不是能生还张开前瞻,是非凡标准的二分拣预测难点。数据集的字段名及实比方下:

    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

    值得一提明的是,SibSp是指sister brother spouse,即某些旅客随行的兄弟姐妹、郎君、爱妻的食指,Parch指parents,children

    上面给出整个数据管理及建立模型进程,基于ubuntu python 3.4( anaconda科学总括情形已经济合营龙一文山会海常用包,pandas numpy sklearn等,这里生硬推荐)

    懒得切换输入法,写的时候根本的注释都是希伯来语,汉语的讲明是后来补偿的:-)

    # -*- coding: utf-8 -*-
    """
    @author: kim
    """
    from model import *#载入基分类器的代码
    #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']) #将性别转化为01
    training=training.join(SexCode,how='left',on=training.Sex)
    training=training.drop(['Name','Ticket','Embarked','Cabin','Sex'],axis=1)#删去几个不参与建模的变量,包括姓名、船票号,船舱号
    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)
    

    上述是随机森林的代码,如上所述,随机森林是一多级决策树的结合,决策树每一回差别,用Gini周到衡量当前节点的“不纯净度”,假使依据有个别特征的有个别分歧点对数码集划分后,能够让数据集的Gini下跌最多(分明地减少了数量集输出变量的不纯度),则当选当前最好的撤销合并特征及分割点。代码如下:

    # -*- 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
    

    实在,上边的代码还会有十分大的频率进步的空间,数据集不是十分大的气象下,假诺采纳三个极大的输入参数,比如生成100棵树,就能猛烈地变慢;同期,将测度结果提交至kaggle张开测验评定,发掘在测量试验集上的精确率不是相当高,比使用sklearn里面相应的包实行前瞻的正确率(0.77512)要稍低一点 :-(  要是要进级正确率,七个大方向: 构造新的风味;调度现成模型的参数。

    此处是引玉之砖,招待大家对本人的建立模型思路和算法的兑现格局建议修改意见。

    更加多关于Python相关内容感兴趣的读者可查看本站专项论题:《Python数据结构与算法教程》、《Python编码操作本事总括》、《Python函数使用技能总计》、《Python字符串操作技能汇总》及《Python入门与进级经典教程》

    可望本文所述对大家Python程序设计具备协助。

    本文实例陈说了Python实现的大肆森林算法。分享给大家供我们参谋,具体如下: 随机...

    值得一表达的是,SibSp是指sister brother spouse,即有些旅客随行的兄弟姐妹、相公、内人的人数,Parch指parents,children

    随意森林算法

    用Python实现自由森林算法的演示,python算法示例

    拥有高方差使得决策树(secision tress)在拍卖特定演习多少集时其结果突显绝对虚弱。bagging(bootstrap aggregating 的缩写)算法从练习多少的范本中确立复合模型,能够有效减弱决策树的方差,但树与树之间有中度关联(并不是上佳的树的地方)。

    放肆森林算法(Random forest algorithm)是对 bagging 算法的庞大。除了照旧依据从磨炼多少样本构建复合模型之外,随机森林对用做创设树(tree)的多少特征做了迟早限制,使得生成的决策树之间从未涉及,进而进级算法效果。

    本学科将促成怎么着用 Python 达成自由森林算法。

    • bagged decision trees 与自由森林算法的歧异;
    • 怎么样创设含越多方差的装袋决策树;
    • 什么样将轻便森林算法运用于估量模型相关的难题。

    算法描述

    这一个章节将对随便森林算法本人以及本教程的算法试验所用的声纳数据集(Sonar dataset)做一个简便介绍。

    私自森林算法

    决策树运维的每一步都关涉到对数据集中的最优先分配化点(best split point)进行贪婪选用(greedy selection)。

    其一机制使得决策树在未有被剪枝的景色下易发生较高的方差。整合通过提取练习数据库中不一致本(某一难点的不如表现格局)营造的复合树及其变化的预测值能够牢固并收缩那样的高方差。这种方式被称作教导集中算法(bootstrap aggregating),其简称 bagging 正好是装进口袋,袋子的意思,所以被称作「装袋算法」。该算法的受制在于,由于变化每一棵树的贪欲算法是同一的,那么有相当大可能率变成每棵树选用的分歧点(split point)同样也许最棒相似,最后导致不一样树之间的趋同(树与树相关联)。相应地,反过来讲,那也使得其会发生相似的预测值,降低原来必要的方差。

    我们得以应用限量特征的法子来创立不一致的决策树,使贪婪算法能够在建树的还要评估每一个分歧点。那正是随便森林算法(Random Forest algorithm)。

    与装袋算法一样,随机森林算法从磨炼集里撷取复合样本并陶冶。其分裂之处在于,数据在每一个分化点处完全崩溃并增添到相应的那棵决策树其中,且能够只思量用于存储属性的某一固定子集。

    对于分类难点,也正是本学科中大家将要研究的标题,其被思考用于差其他属性数据被界定为小于输入特征的数码之平方根。代码如下:

    num_features_for_split = sqrt(total_input_features)
    

    以此小改动会让变化的决策树各不一致(未有涉及),进而使获得的预测值越发七种化。而一体系的预测值组合往往会比一棵单一的决策树或然纯粹的装袋算法有更优的表现。 

    声纳数据集(Sonar dataset)

    笔者们将在本教程里使用声纳数据集作为输入数据。那是多个汇报声纳反射到分裂物身体表面面后赶回的不等数值的数目集。伍17个输入变量表示声纳从区别角度再次回到的强度。那是一个二元分类难题(binary classification problem),要求模型能够区分出岩石和五金柱体的比不上材料和形象,总共有 208 个观望样本。

    该数据集特别便于明白——每一个变量都互有一连性且都在 0 到 1 的正规化限定里边,便于数据管理。作为出口变量,字符串'M'表示金属甲状腺素,'GL450'代表岩石。二者需分别调换来整数 1 和 0。

    因而预测数据集(M 大概金属生物素)中具有最多观测值的类,零法则算法(Zero Rule Algorithm)可完结 57% 的正确度。

    越来越多关于该数据集的从头到尾的经过可参见 UCI Machine Learning repository:)

    免费下载该数据集,将其命名字为sonar.all-data.csv,并蕴藏到须要被操作的办事目录个中。

    教程

    这一次教程分为四个步骤。

    1. 区别次数的总计。

    2. 声纳数据集案例商讨

    这一个手续能让您询问为您谐和的预测建立模型难题落实和使用随机森林算法的底蕴

    1. 崩溃次数的图谋

    在表决树中,大家由此找到一些一定属性和性质的值来规定分裂点,那类特定属性需表现为其所需的资产是最低的。

    分类难题的老本函数(cost function)经常是基尼指数(Gini index),即计算由差异点发生的数据组的纯度(purity)。对于那样二元分类的归类难点来讲,指数为 0 表示相对纯度,表明类值被全面地分为两组。

    从一棵决策树中找到最好区别点需求在教练多少聚焦对种种输入变量的值做基金评估。

    在装袋算法和随机森林中,这么些进程是在练习集的样本上推行并替换(放回)的。因为随意森林对输入的数码要开展行和列的采集样品。对于行采集样品,选用有放回的主意,相当于说同一行可能会在样本中被选择和放入不止三遍。

    大家能够虚拟创造一个能够自动输入属性的范本,并非枚举全体输入属性的值以期找到获取资金低于的区别点,进而对那几个进度进展优化。

    该输入属性样本可随意采取且未有替换进度,那就表示在查找最低资本分歧点的时候每一种输入属性只需被采取一回。

    如下的代码所示,函数 get_split() 完成了上述进度。它将千真万确数额的源于待评估数据的输入特征和三个数据集作为参数,该数据集能够是事实上陶冶集里的范本。协助函数 test_split() 用于经过候选的分歧点来划分数据集,函数 gini_index() 用于评估通过创立的行组(groups of rows)来明确的某一分化点的本钱。

    如上大家得以观望,特征列表是通过随机选择特征索引生成的。通过枚举该特征列表,大家可将练习集中的特定值评估为符合条件的分化点。

    # Select the best split point for a dataset
    def get_split(dataset, n_features):
     class_values = list(set(row[-1] for row in dataset))
     b_index, b_value, b_score, b_groups = 999, 999, 999, None
     features = list()
     while len(features) < n_features:
      index = randrange(len(dataset[0])-1)
      if index not in features:
       features.append(index)
     for index in features:
      for row in dataset:
       groups = test_split(index, row[index], dataset)
       gini = gini_index(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}
    

    从那之后,大家领会该怎么改换一棵用于随机森林算法的决策树。大家可将之与装袋算法结合使用到真实的数据集个中。

    2. 有关声纳数据集的案例研究

    在那么些片段,大家将把自由森林算法用于声纳数据集。本示例假定声纳数据集的 csv 格式别本已存在于当前专门的职业目录中,文件名字为 sonar.all-data.csv。

    首先加载该数据集,将字符串转变到数字,并将输出列从字符串调换来数值 0 和

    1. 本条过程是通过协助函数 load_csv()、str_column_to_float() 和 str_column_to_int() 来分别达成的。

    我们将透过 K 折交叉验证(k-fold cross validatio)来预估得到的读书模型在无人问津数据上的表现。那就表示大家将创建并评估 K 个模型并预估那 K 个模型的平均抽样误差。评估每多少个模型是由分类正确度来反映的。协理函数 cross_validation_split()、accuracy_metric() 和 evaluate_algorithm() 分别完毕了上述意义。

    装袋算法将经过分类和回归树算法来满意。帮忙函数 test_split() 将数据集分割成差别的组;gini_index() 评估各样区别点;前文谈起的立异过的 get_split() 函数用来获得分歧点;函数 to_terminal()、split() 和 build_tree() 用以创办单个决策树;predict() 用于预测;subsample() 为教练集建立子样本集; bagging_predict() 对决策树列表实行前瞻。

    新命名的函数 random_forest() 首先从操练集的子样本中成立决策树列表,然后对其张开预测。

    正如笔者辈开篇所说,随机森林与决策树关键的区分在于前边三个在建树的法子上的异常的小改换,那点在运维函数 get_split() 获得了反映。

    一体化的代码如下:

    # Random Forest Algorithm on Sonar Dataset
    from random import seed
    from random import randrange
    from csv import reader
    from math import sqrt
    
    # Load a CSV file
    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)
     return dataset
    
    # Convert string column to float
    def str_column_to_float(dataset, column):
     for row in dataset:
      row[column] = float(row[column].strip())
    
    # Convert string column to integer
    def str_column_to_int(dataset, column):
     class_values = [row[column] for row in dataset]
     unique = set(class_values)
     lookup = dict()
     for i, value in enumerate(unique):
      lookup[value] = i
     for row in dataset:
      row[column] = lookup[row[column]]
     return lookup
    
    # Split a dataset into k folds
    def cross_validation_split(dataset, n_folds):
     dataset_split = list()
     dataset_copy = list(dataset)
     fold_size = len(dataset) / n_folds
     for i in range(n_folds):
      fold = list()
      while len(fold) < fold_size:
       index = randrange(len(dataset_copy))
       fold.append(dataset_copy.pop(index))
      dataset_split.append(fold)
     return dataset_split
    
    # Calculate accuracy percentage
    def accuracy_metric(actual, predicted):
     correct = 0
     for i in range(len(actual)):
      if actual[i] == predicted[i]:
       correct  = 1
     return correct / float(len(actual)) * 100.0
    
    # Evaluate an algorithm using a cross validation split
    def evaluate_algorithm(dataset, algorithm, n_folds, *args):
     folds = cross_validation_split(dataset, n_folds)
     scores = list()
     for fold in folds:
      train_set =a list(folds)
      train_set.remove(fold)
      train_set = sum(train_set, [])
      test_set = list()
      for row in fold:
       row_copy = list(row)
       test_set.append(row_copy)
       row_copy[-1] = None
      predicted = algorithm(train_set, test_set, *args)
      actual = [row[-1] for row in fold]
      accuracy = accuracy_metric(actual, predicted)
      scores.append(accuracy)
     return scores
    
    # Split a dataset based on an attribute and an attribute value
    def test_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
    
    # Calculate the Gini index for a split dataset
    def gini_index(groups, class_values):
     gini = 0.0
     for class_value in class_values:
      for group in groups:
       size = len(group)
       if size == 0:
        continue
       proportion = [row[-1] for row in group].count(class_value) / float(size)
       gini  = (proportion * (1.0 - proportion))
     return gini
    
    # Select the best split point for a dataset
    def get_split(dataset, n_features):
     class_values = list(set(row[-1] for row in dataset))
     b_index, b_value, b_score, b_groups = 999, 999, 999, None
     features = list()
     while len(features) < n_features:
      index = randrange(len(dataset[0])-1)
      if index not in features:
       features.append(index)
     for index in features:
      for row in dataset:
       groups = test_split(index, row[index], dataset)
       gini = gini_index(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}
    
    # Create a terminal node value
    def to_terminal(group):
     outcomes = [row[-1] for row in group]
     return max(set(outcomes), key=outcomes.count)
    
    # Create child splits for a node or make terminal
    def split(node, max_depth, min_size, n_features, depth):
     left, right = node['groups']
     del(node['groups'])
     # check for a no split
     if not left or not right:
      node['left'] = node['right'] = to_terminal(left   right)
      return
     # check for max depth
     if depth >= max_depth:
      node['left'], node['right'] = to_terminal(left), to_terminal(right)
      return
     # process left child
     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)
     # process right child
     if len(right) <= min_size:
      node['right'] = to_terminal(right)
     else:
      node['right'] = get_split(right, n_features)
      split(node['right'], max_depth, min_size, n_features, depth 1)
    
    # Build a decision tree
    def build_tree(train, max_depth, min_size, n_features):
     root = get_split(dataset, n_features)
     split(root, max_depth, min_size, n_features, 1)
     return root
    
    # Make a prediction with a decision tree
    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']
    
    # Create a random subsample from the dataset with replacement
    def subsample(dataset, ratio):
     sample = list()
     n_sample = round(len(dataset) * ratio)
     while len(sample) < n_sample:
      index = randrange(len(dataset))
      sample.append(dataset[index])
     return sample
    
    # Make a prediction with a list of bagged trees
    def bagging_predict(trees, row):
     predictions = [predict(tree, row) for tree in trees]
     return max(set(predictions), key=predictions.count)
    
    # Random Forest Algorithm
    def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features):
     trees = list()
     for i in range(n_trees):
      sample = subsample(train, sample_size)
      tree = build_tree(sample, max_depth, min_size, n_features)
      trees.append(tree)
     predictions = [bagging_predict(trees, row) for row in test]
     return(predictions)
    
    # Test the random forest algorithm
    seed(1)
    # load and prepare data
    filename = 'sonar.all-data.csv'
    dataset = load_csv(filename)
    # convert string attributes to integers
    for i in range(0, len(dataset[0])-1):
     str_column_to_float(dataset, i)
    # convert class column to integers
    str_column_to_int(dataset, len(dataset[0])-1)
    # evaluate algorithm
    n_folds = 5
    max_depth = 10
    min_size = 1
    sample_size = 1.0
    n_features = int(sqrt(len(dataset[0])-1))
    for n_trees in [1, 5, 10]:
     scores = evaluate_algorithm(dataset, random_forest, n_folds, max_depth, min_size, sample_size, n_trees, n_features)
     print('Trees: %d' % n_trees)
     print('Scores: %s' % scores)
      print('Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores))))
    

    此地对第 197 行之后对种种参数的赋值做多少个表明。

    将 K 赋值为 5 用于交叉验证,获得每一种子样本为 208/5 = 41.6,即超越 40 条声纳再次来到记录会用于每一次迭代时的评估。

    每棵树的最大深度设置为 10,各个节点的相当小磨炼行数为 1. 创建陶冶集样本的深浅与原有数据集同样,那也是不管三七二十一森林算法的默许预期值。

    大家把在种种差距点需求思量的表征数设置为总的特征数据的平方根,即 sqrt(60)=7.74,取整为 7。

    将蕴涵三组分化数量的树同一时候扩充评估,以注解增多更加多的树能够使该算法完毕的效果愈来愈多。

    聊到底,运转这几个示例代码将会 print 出每组树的附和分值以及各种结构的平分分值。如下所示:

    Trees: 1
    Scores: [68.29268292682927, 75.60975609756098, 70.73170731707317, 63.41463414634146, 65.85365853658537]
    Mean Accuracy: 68.780%
    
    Trees: 5
    Scores: [68.29268292682927, 68.29268292682927, 78.04878048780488, 65.85365853658537, 68.29268292682927]
    Mean Accuracy: 69.756%
    
    Trees: 10
    Scores: [68.29268292682927, 78.04878048780488, 75.60975609756098, 70.73170731707317, 70.73170731707317]
    Mean Accuracy: 72.683%
    

    扩展

    本节会列出一些与本次教程相关的扩充内容。大家也许有意思味一探终究。

    • 算法调校(Algorithm Tuning)。本文所用的配备参数或有未被勘误的荒唐以及有待商榷之处。用越来越大局面包车型地铁树,分化的表征数据竟然不一致的树的结构都得以改正考试结果。
    • 更加多难点。该办法同样适用于别的的分类难题,以致是用新的开支总结函数以及新的组合树的预期值的艺术使其适用于回归算法。

    回想总计

    通过本次教程的研究,你知道了自由森林算法是什么样得以实现的,极度是:

    放肆森林与装袋决策树的分化。

    什么样用决策树生成自由森林算法。

    怎么将轻便森林算法应用于消除实操中的预测模型难点。

    上述正是本文的全部内容,希望对我们的读书抱有帮忙,也指望大家多多帮忙帮客之家。

    具有高方差使得决策树(secision tress)在拍卖特定磨炼多少集时其结果呈现绝对软弱。bag...

    更加多关于Python相关内容感兴趣的读者可查看本站专项论题:《Python数据结构与算法教程》、《Python编码操作手艺计算》、《Python函数使用技术总计》、《Python字符串操作技艺汇总》及《Python入门与晋级特出教程》

    提及底能够获取贰个准确率约在98.4%的即兴森林分类器。

    实质上,上边的代码还恐怕有十分的大的频率升高的上空,数据集不是不小的情况下,假如选取三个十分的大的输入参数,比如生成100棵树,就能分明地变慢;同一时间,将估计结果提交至kaggle张开测验评定,开采在测量试验集上的准确率不是非常高,比采纳sklearn里面相应的包实行展望的准确率(0.77512)要稍低一点 :-(  假设要升迁准确率,多少个大方向: 构造新的特征;调节现存模型的参数。

    在此地咱们是用KDD99数据汇总POP3相关的数码来行使决策树算法来学学怎样鉴定分别数据汇总和POP3暴力破解相关的新闻。关于KDD99数据集的相干内容能够自行google一下。下边是选拔决策树算法的源码:

    这里是投砾引珠,招待我们对自个儿的建立模型思路和算法的落真实情时势提议修改意见。

    皇家赌场 1

    放肆森林是数码开掘中异日常用的归类预测算法,以分类或回归的决策树为基分类器。算法的片段主干要领:

    随意森林指的是运用多棵树对样本实行磨炼并展望的一种分类器。是三个饱含八个决策树的分类器,並且其出口连串是由个别树输出的门类的众数决定的。随机森林的每一颗决策树之间是未曾涉及的。在获得森林之后,当有叁个新的输入样本走入的时候,就让森林中的每一颗决策树分别开展判别,看看那几个样本属于哪类,然后看看哪种被挑选最多,则猜度那些样本为那一类。一般的话,随机森林的公开宣判质量优于决策树。

    泰坦Nick号的沉淀,是历史上极度有名的海事。突然感觉,自身面临的不再是淡淡的多少,而是用多少发掘的不二等秘书诀,去商量具体的野史难题,也是饶有兴趣。言归正传,模型的首要的对象,是梦想根据每一个旅客的一多种特征,如性别、年龄、舱位、上船地方等,对其是还是不是能生还拓宽预测,是那几个杰出的二分类预测难题。数据集的字段名及实比如下:

    最后能够见到决策树的正确率是要稍逊于自由森林的。

    你可能感兴趣的小说:

    • python完成决策树、随机森林的简练原理
    • Python决策树和轻便森林算法实例详解
    • python达成自由森林random forest的原理及形式
    • 用Python完成自由森林算法的言传身教
    • 用Python从零兑现贝叶斯分类器的机械学习的课程
    • Python语言落成机器学习的K-近邻算法
    • 机器学习python实战之手写数字识别
    • python机器学习之神经互联网(一)
    • Python机器学习之决定树算法实例详解
    • python机器学习之随机森林(七)
    #决策树的helloworld 使用决策树对iris数据集进行分类
    from sklearn.datasets import load_iris
    from sklearn import tree
    import pydotplus
    #导入iris数据集
    iris = load_iris()
    #初始化DecisionTreeClassifier
    clf = tree.DecisionTreeClassifier()
    #适配数据
    clf = clf.fit(iris.data, iris.target)
    #将决策树以pdf格式可视化
    dot_data = tree.export_graphviz(clf, out_file=None)
    graph = pydotplus.graph_from_dot_data(dot_data)
    graph.write_pdf("iris.pdf")
    
    # -*- 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
    

    正文实例呈报了Python决策树和随意森林算法。分享给大家供大家参照他事他说加以考察,具体如下:

    本文由68399皇家赌场发布于集群主机,转载请注明出处:【皇家赌场】Python决策树和任意森林算法实例详

    关键词: 68399皇家赌场