【实践】随机森林算法参数解释及调优（含Python代码）

青旅半醒 2023-09-28 19:26 106阅读 0赞

### 前言 ###

上篇文章梳理了随机森林的各理论要点，本文首先详细解释了随机森林类的参数含义，并基于该类讲解了参数择优过程。

**随机森林类库包含了RandomForestClassifer类**，**回归类是RandomForestRegressor类**。RF的变种ExtraTress也有ExtraTressClassifier类和ExtraTressRegressor类。由于这四个类的参数基本相同，只要完全理解其中一个类，其他三个类很快就能上手。

本文只介绍RandomForestClassifer类。

随机森林是基于bagging框架的决策树模型，**因此随机森林的参数择优包括两部分：**

**（1）RF框架的参数择优；**

**（2）RF决策树的参数择优。因此，理解RF框架参数和决策树参数的含义是模型参数择优的前提。**

### RF框架参数含义 ###

`n_estimators ：` 对原始数据集进行有放回抽样生成的子数据集个数， 即决策树的个数。若n\_estimators太小容易欠拟合，太大不能显著的提升模型，所以n\_estimators选择适中的数值。

`bootstrp：`是否对样本集进行有放回抽样来构建树，True表示是，默认值True

`oob_score：`是否采用袋外样本来评估模型的好坏，True代表是，默认值False，袋外样本误差是测试数据集误差的无偏估计，所以推荐设置True。

**RF框架的参数很少，框架参数择优一般是调节n\_estimators值，即决策树个数。**

### RF决策树参数含义 ###

`max_features：`构建决策树最优模型时考虑的最大特征数。默认是”auto“，表示最大特征数是N的平方根；“log2”表示最大特征数是 log ⁡ 2 N \\log\_2^N log2N，；"sqrt"表示最大特征数为 N \\sqrt\{N\} N，。如果是整数，代表考虑的最大特征数；如果是浮点数，表示对（N\*max\_features）取整。其中N表示样本的特征数。

`max_depth：`决策树最大深度。若等于None，表示决策树在构建最优模型的时候不会限制子树的深度。如果模型样本量多，特征也多的情况下，推荐限制最大深度；若样本量少或者特征少，则不限制最大深度。

`min_samples_leaf：`叶子节点含有的最少样本。若叶子节点样本数小于min\_samples\_leaf，则对该叶子节点和兄弟叶子节点进行剪枝，只留下该叶子节点的父节点。整数型表示个数，浮点型表示取大于等于（样本数\*min\_samples\_leaf）的最小整数。min\_samples\_leaf默认值是1。

`min_samples_split ：` 节点可分的最小样本数， 默认值是2 。整数型和浮点型的含义与min\_samples\_leaf类似。

`max_leaf_nodes：`最大叶子节点数。int设置节点数，None表示对叶子节点数没有限制。

`min_impurity_decrease：`节点划分的最小不纯度。假设不纯度用信息增益表示，若某节点划分时的信息增益大于等于min\_impurity\_decrease，那么该节点还可以再划分；反之，则不能划分。

`criterion：`表示节点的划分标准。不纯度标准参考Gini指数，信息增益标准参考"entrop"熵。

`min_samples_leaf：`叶子节点最小的样本权重和。叶子节点如果小于这个值，则会和兄弟节点一起被剪枝，只保留该叶子节点的父节点。默认是0，则不考虑样本权重问题。一般来说，如果有较多样本的缺失值或偏差很大，则尝试设置该参数值。

### RF参数择优实例 ###

**RF参数择优思想：RF模型可以理解成决策树模型嵌入到bagging框架，因此，我们首先对外层的bagging框架进行参数择优，然后再对内层的决策树模型进行参数择优。在优化某一参数时，需要把其他参数设置为常数。**

**导入相关的包：**

**训练数据集：**

X,y=make_classification()
    X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=1)

我们不妨看一下所有参数都采用默认值，查看分类情况：

estimator=RandomForestClassifier(oob_score=True,random_state=1)
    estimator.fit(X_train,y_train)
    print(estimator.oob_score_)

0.9375

**对外层的bagging框架进行参数择优，即对n\_estimators参数择优，其他参数仍然是默认值**

n\_esimators参数择优的范围是：1~101，步长为10。十折交叉验证率选择最优n\_estimators 。

param_test1={
        'n_estimators':range(1,101,10)}
    grid_search=GridSearchCV(estimator=RandomForestClassifier(random_state=1),param_grid=param_test1,scoring='roc_auc',cv=10)
    grid_search.fit(X_train,y_train)
    print(grid_search.best_params_)
    print(grid_search.best_score_)

输出结果：

{
        'n_estimators': 41}
    0.9800000000000001

因此，最佳的子决策树个数是71，准确率98%，相比默认参数的93.7%有较大的提高。

**优化决策树参数的最大特征数max\_features，其他参数设置为常数，且n\_estimators为41**

max\_features参数择优的范围：1~11，步长为1，十折交叉验证率选择最优max\_features 。

param_test2={
        'max_features':range(1,21,1)}
    grid_search_1=GridSearchCV(estimator=RandomForestClassifier(n_estimators=grid_search.best_params_['n_estimators'],random_state=1),param_grid=param_test2,scoring='roc_auc',cv=10)
    grid_search_1.fit(X_train,y_train)
    print(grid_search_1.best_params_)
    print(grid_search_1.best_score_)

结果：

{
        'max_features': 4}
    0.9800000000000001

因此，选择最佳的最大特征数为4，准确率为98%，相比默认的最大特征数，准确率有一定的提高。

决策树的其他最优参数也是按照类似的步骤去搜寻，这里就不一一介绍了。

**用最优参数重新训练数据，计算泛化误差：**

rfl=RandomForestClassifier(n_estimators=grid_search.best_params_['n_estimators'],max_features=grid_search_1.best_params_['max_features'],oob_score=True,random_state=1)
    rfl.fit(X_train,y_train)
    print(rfl.oob_score_)

0.9125

### 总结 ###

随机森林模型优化主要是考虑如何选择子数据集个数（ n\_estimators ） 和最大特征个数（max\_features），参数优化顺序可参考下图：  
![8becaaf2e269431da783ce9ee6dada77.png][]

**首先增大n\_estimators，提高模型的拟合能力，当模型的拟合能力没有明显提升的时候，则再增大n\_estimators，提高每个子模型的拟合能力，则相应的提高了模型的拟合能力。**

上节的参数调优是比较常用的一种参数调优方法，可应用到其他模型的参数优化过程。

### 完整版代码 ###

import numpy as np
    from sklearn.datasets import make_classification
    from sklearn.model_selection import train_test_split
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.model_selection import GridSearchCV
    
    X,y=make_classification()
    X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=1)
    estimator=RandomForestClassifier(oob_score=True,random_state=1)
    estimator.fit(X_train,y_train)
    print(estimator.oob_score_)
    
    """
    对外层的bagging框架进行参数择优，即对n_estimators参数择优，其他参数仍然是默认值
    """
    param_test1={
        'n_estimators':range(1,101,10)}
    grid_search=GridSearchCV(estimator=RandomForestClassifier(random_state=1),param_grid=param_test1,scoring='roc_auc',cv=10)
    grid_search.fit(X_train,y_train)
    print(grid_search.best_params_)
    print(grid_search.best_score_)
    
    """
    优化决策树参数的最大特征数max_features，其他参数设置为常数，且n_estimators为81
    """
    param_test2={
        'max_features':range(1,21,1)}
    grid_search_1=GridSearchCV(estimator=RandomForestClassifier(n_estimators=grid_search.best_params_['n_estimators'],random_state=1),param_grid=param_test2,scoring='roc_auc',cv=10)
    grid_search_1.fit(X_train,y_train)
    print(grid_search_1.best_params_)
    print(grid_search_1.best_score_)
    
    """
    用最优参数重新训练数据，计算泛化误差
    """
    rfl=RandomForestClassifier(n_estimators=grid_search.best_params_['n_estimators'],max_features=grid_search_1.best_params_['max_features'],oob_score=True,random_state=1)
    rfl.fit(X_train,y_train)
    print(rfl.oob_score_)

[8becaaf2e269431da783ce9ee6dada77.png]: https://img-blog.csdnimg.cn/8becaaf2e269431da783ce9ee6dada77.png