隨機(jī)森林是一種靈活且易于使用的機(jī)器學(xué)習(xí)算法，即便沒有超參數(shù)調(diào)優(yōu)，也可以在大多數(shù)情況下得到很好的結(jié)果。它也是最常用的算法之一，因?yàn)樗芎喴?，既可用于分類也能用于回歸任務(wù)。 在這篇文章中，你將了解到隨機(jī)森林算法的工作原理以及適用范圍。

機(jī)器學(xué)習(xí)算法之隨機(jī)森林算法工作原理

隨機(jī)森林是一種有監(jiān)督學(xué)習(xí)算法。 就像你所看到的它的名字一樣，它創(chuàng)建了一個(gè)森林，并使它擁有某種方式隨機(jī)性。 所構(gòu)建的“森林”是決策樹的集成，大部分時(shí)候都是用“bagging”方法訓(xùn)練的。 bagging方法，即bootstrap aggregating，采用的是隨機(jī)有放回的選擇訓(xùn)練數(shù)據(jù)然后構(gòu)造分類器，最后組合學(xué)習(xí)到的模型來增加整體的效果。

簡而言之：隨機(jī)森林建立了多個(gè)決策樹，并將它們合并在一起以獲得更準(zhǔn)確和穩(wěn)定的預(yù)測。隨機(jī)森林的一大優(yōu)勢在于它既可用于分類，也可用于回歸問題，這兩類問題恰好構(gòu)成了當(dāng)前的大多數(shù)機(jī)器學(xué)習(xí)系統(tǒng)所需要面對的。 接下來，將探討隨機(jī)森林如何用于分類問題，因?yàn)榉诸愑袝r(shí)被認(rèn)為是機(jī)器學(xué)習(xí)的基石。 下圖，你可以看到兩棵樹的隨機(jī)森林是什么樣子的：

除了少數(shù)例外，隨機(jī)森林分類器使用所有的決策樹分類器以及bagging 分類器的超參數(shù)來控制整體結(jié)構(gòu)。 與其先構(gòu)建bagging分類器，并將其傳遞給決策樹分類器，您可以直接使用隨機(jī)森林分類器類，這樣對于決策樹而言，更加方便和優(yōu)化。要注意的是，回歸問題同樣有一個(gè)隨機(jī)森林回歸器與之相對應(yīng)。

隨機(jī)森林算法中樹的增長會給模型帶來額外的隨機(jī)性。與決策樹不同的是，每個(gè)節(jié)點(diǎn)被分割成最小化誤差的最佳特征，在隨機(jī)森林中我們選擇隨機(jī)選擇的特征來構(gòu)建最佳分割。因此，當(dāng)您在隨機(jī)森林中，僅考慮用于分割節(jié)點(diǎn)的隨機(jī)子集，甚至可以通過在每個(gè)特征上使用隨機(jī)閾值來使樹更加隨機(jī)，而不是如正常的決策樹一樣搜索最佳閾值。這個(gè)過程產(chǎn)生了廣泛的多樣性，通?？梢缘玫礁玫哪Ｐ?。

一個(gè)更容易理解算法的例子

想象一下，一個(gè)名叫安德魯?shù)娜?，想知道一年的假期旅行中他?yīng)該去哪些地方。他會向了解他的朋友們咨詢建議。

起初，他去尋找一位朋友，這位朋友會問安德魯他曾經(jīng)去過哪些地方，他喜歡還是不喜歡這些地方。基于這些回答就能給安德魯一些建議，這便是一種典型的決策樹算法。

朋友通過安德魯?shù)幕卮?，為其制定出一些?guī)則來指導(dǎo)應(yīng)當(dāng)推薦的地方。隨后，安德魯開始尋求越來越多朋友們的建議，他們會問他不同的問題，并從中給出一些建議。 最后，安德魯選擇了推薦最多的地方，這便是典型的隨機(jī)森林算法。

機(jī)器學(xué)習(xí)算法之隨機(jī)森林算法的特征的重要性

隨機(jī)森林算法的另一個(gè)優(yōu)點(diǎn)是可以很容易地測量每個(gè)特征對預(yù)測的相對重要性。 Sklearn為此提供了一個(gè)很好的工具，它通過查看使用該特征減少了森林中所有樹多少的不純度，來衡量特征的重要性。它在訓(xùn)練后自動計(jì)算每個(gè)特征的得分，并對結(jié)果進(jìn)行標(biāo)準(zhǔn)化，以使所有特征的重要性總和等于1。

如果你不了解決策樹是如何工作對，也不知道什么是葉子或節(jié)點(diǎn)，可以參考維基百科的描述：在決策樹中，每個(gè)內(nèi)部節(jié)點(diǎn)代表對一類屬性的“測試”（例如，拋硬幣的結(jié)果是正面還是反面)，每個(gè)分支代表測試的結(jié)果，每個(gè)葉節(jié)點(diǎn)代表一個(gè)類標(biāo)簽（在計(jì)算所有屬性之后作出的決定）。葉子就是沒有下一分支的節(jié)點(diǎn)。

通過查看特征的重要性，您可以知道哪些特征對預(yù)測過程沒有足夠貢獻(xiàn)或沒有貢獻(xiàn)，從而決定是否丟棄它們。這是十分重要的，因?yàn)橐话愣詸C(jī)器學(xué)習(xí)擁有的特征越多，模型就越有可能過擬合，反之亦然。

下面你可以看到一個(gè)表格和一個(gè)可視化圖表，顯示了13個(gè)特征的重要性，我在有監(jiān)督分類項(xiàng)目中使用了kaggle上著名的Titanic 數(shù)據(jù)集。

決策樹與隨機(jī)森林的區(qū)別

正如我先前提到的，隨機(jī)森林是決策樹的集合，但仍有一些區(qū)別。

如果您將帶有特征和標(biāo)簽的訓(xùn)練數(shù)據(jù)集輸入到?jīng)Q策樹中，它將制定一些規(guī)則集，用于預(yù)測。

例如，如果您想預(yù)測某人是否會點(diǎn)擊在線廣告，可以收集該廣告的過去點(diǎn)擊人員以及能夠描述其做決定的特征。一旦你將這些特征和標(biāo)簽放入決策樹中，它會生成節(jié)點(diǎn)和一些規(guī)則，然后你就可以預(yù)測廣告是否會被點(diǎn)擊。但決策樹通常通過計(jì)算信息增益和基尼指數(shù)來生成節(jié)點(diǎn)和規(guī)則時(shí)，相比之下，隨機(jī)森林則是隨機(jī)的。

另一個(gè)區(qū)別是“深度”決策樹往往會遭遇過擬合問題。而隨機(jī)森林則可以通過創(chuàng)建隨機(jī)的特征子集并使用這些子集構(gòu)建較小的樹，隨后組成子樹，這種方法可以防止大部分情況的過擬合。要注意的是，這同時(shí)會使得計(jì)算速度變慢，并取決于隨機(jī)森林構(gòu)建的樹數(shù)。

機(jī)器學(xué)習(xí)算法之隨機(jī)森林算法重要的超參數(shù)

隨機(jī)森林中的參數(shù)要么用來增強(qiáng)模型的預(yù)測能力，要么使模型更快。 以下將討論sklearns內(nèi)置的隨機(jī)森林函數(shù)中的超參數(shù)。

提高模型預(yù)測準(zhǔn)確性

首先，“n_estimators”超參數(shù)表示算法在進(jìn)行最大投票或采取預(yù)測平均值之前建立的樹數(shù)。 一般來說，樹的數(shù)量越多，性能越好，預(yù)測也越穩(wěn)定，但這也會減慢計(jì)算速度。

另一個(gè)重要的超參數(shù)是“max_features”，它表示隨機(jī)森林在單個(gè)樹中可擁有的特征最大數(shù)量。 Sklearn提供了幾個(gè)選項(xiàng)，在他們的文檔中有描述：

http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html

最后一個(gè)重要的超參數(shù)是“min_sample_leaf”，正如其名稱所述，這決定了葉子的數(shù)量。

加快模型計(jì)算速度

“n_jobs”超參數(shù)表示引擎允許使用處理器的數(shù)量。 若值為1，則只能使用一個(gè)處理器。 值為-1則表示沒有限制。

“random_state”，表示隨機(jī)數(shù)種子，保證模型的輸出具有可復(fù)制性。 當(dāng)它被賦于一個(gè)指定值，且模型訓(xùn)練具有相同的參數(shù)和相同的訓(xùn)練數(shù)據(jù)時(shí)，該模型將始終產(chǎn)生相同的結(jié)果。

最后，還有一個(gè)“oob_score”（也稱為oob采樣），它是一種隨機(jī)森林交叉驗(yàn)證方法。 在這個(gè)抽樣中，大約三分之一的數(shù)據(jù)不用于模型訓(xùn)練，而用來評估模型的性能。這些樣本被稱為袋外樣本。它與留一法交叉驗(yàn)證方法非常相似，但幾乎沒有附加的計(jì)算負(fù)擔(dān)。

優(yōu)缺點(diǎn)分析

就像我之前提到的那樣，隨機(jī)森林的一個(gè)優(yōu)點(diǎn)是它可以用于回歸和分類任務(wù)，并且很容易查看模型的輸入特征的相對重要性。

隨機(jī)森林同時(shí)也被認(rèn)為是一種非常方便且易于使用的算法，因?yàn)樗悄J(rèn)的超參數(shù)通常會產(chǎn)生一個(gè)很好的預(yù)測結(jié)果。超參數(shù)的數(shù)量也不是那么多，而且它們所代表的含義直觀易懂。

機(jī)器學(xué)習(xí)中的一個(gè)重大問題是過擬合，但大多數(shù)情況下這對于隨機(jī)森林分類器而言不會那么容易出現(xiàn)。因?yàn)橹灰种杏凶銐蚨嗟臉洌诸惼骶筒粫^度擬合模型。

隨機(jī)森林的主要限制在于使用大量的樹會使算法變得很慢，并且無法做到實(shí)時(shí)預(yù)測。一般而言，這些算法訓(xùn)練速度很快，預(yù)測十分緩慢。越準(zhǔn)確的預(yù)測需要越多的樹，這將導(dǎo)致模型越慢。在大多數(shù)現(xiàn)實(shí)世界的應(yīng)用中，隨機(jī)森林算法已經(jīng)足夠快，但肯定會遇到實(shí)時(shí)性要求很高的情況，那就只能首選其他方法。

當(dāng)然，隨機(jī)森林是一種預(yù)測性建模工具，而不是一種描述性工具。也就是說，如果您正在尋找關(guān)于數(shù)據(jù)中關(guān)系的描述，那建議首選其他方法。

適用范圍

隨機(jī)森林算法可被用于很多不同的領(lǐng)域，如銀行，股票市場，醫(yī)藥和電子商務(wù)。 在銀行領(lǐng)域，它通常被用來檢測那些比普通人更高頻率使用銀行服務(wù)的客戶，并及時(shí)償還他們的債務(wù)。 同時(shí)，它也會被用來檢測那些想詐騙銀行的客戶。 在金融領(lǐng)域，它可用于預(yù)測未來股票的趨勢。 在醫(yī)療保健領(lǐng)域，它可用于識別藥品成分的正確組合，分析患者的病史以識別疾病。 除此之外，在電子商務(wù)領(lǐng)域中，隨機(jī)森林可以被用來確定客戶是否真的喜歡某個(gè)產(chǎn)品。

總 結(jié)

隨機(jī)森林是一種很好的算法，適合在模型開發(fā)過程的早期進(jìn)行訓(xùn)練，了解它的工作原理，并且由于其簡易性，很難構(gòu)建出“糟糕”的隨機(jī)森林。 如果您需要在短時(shí)間內(nèi)開發(fā)模型，隨機(jī)森林會是一個(gè)不錯(cuò)的選擇。 最重要的是，它為你選擇的特征提供了一個(gè)很好的重要性表示。

隨機(jī)森林在性能方面也很難被擊敗。 當(dāng)然，沒有最好只有更好，你總能找到一個(gè)性能更好的模型，比如神經(jīng)網(wǎng)絡(luò)，但這類模型通常需要更多的時(shí)間來開發(fā)。 最重要的是，隨機(jī)森林同時(shí)可以處理許多不同屬性的特征類型，如二元的，類別的和數(shù)值的。總的來說，隨機(jī)森林是一個(gè)（相對大部分而言）快速，簡單且靈活的工具，盡管它存在一定的局限性。