集成学习之Bagging

1 Bagging集成原理

目标：把下面的圈和方块进行分类

【此时用直线很难把圈和方块分开的】

实现过程：

1.采样不同数据集

2.训练分类器

3.平权投票，获取最终结果

4.主要实现过程小结

2 随机森林构造过程

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

随机森林 = Bagging + 决策树

例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个树的结果是False, 那么最终投票结果就是True

随机森林构造过程中的关键步骤（用N来表示训练用例（样本）的个数，M表示特征数目）：

​ 1）一次随机选出一个样本，有放回的抽样，重复N次（有可能出现重复的样本）

​ 2） 随机去选出m个特征, m <<M，建立决策树

• 思考

  • 1.为什么要随机抽样训练集？　　

    如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的

  • 2.为什么要有放回地抽样？   【保证每个样本抽取的概率相等】

    如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

3 随机森林api介绍

• sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
  • n_estimators：integer，optional（default = 10）森林里的树木数量120,200,300,500,800,1200
  • Criterion：string，可选（default =“gini”）分割特征的测量方法
  • max_depth：integer或None，可选（默认=无）树的最大深度 5,8,15,25,30
  • max_features="auto”,每个决策树的最大特征数量
    • If "auto", then max_features=sqrt(n_features).
    • If "sqrt", then max_features=sqrt(n_features)(same as "auto").
    • If "log2", then max_features=log2(n_features).
    • If None, then max_features=n_features.
  • bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样
  • min_samples_split:节点划分最少样本数
  • min_samples_leaf:叶子节点的最小样本数
• 超参数：n_estimator, max_depth, min_samples_split,min_samples_leaf

4 随机森林预测案例

• 实例化随机森林

# 随机森林去进行预测
rf = RandomForestClassifier()

• 定义超参数的选择列表

param = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}

• 使用GridSearchCV进行网格搜索

# 超参数调优
gc = GridSearchCV(rf, param_grid=param, cv=2)

gc.fit(x_train, y_train)

print("随机森林预测的准确率为：", gc.score(x_test, y_test))

注意

• 随机森林的建立过程
• 树的深度、树的个数等需要进行超参数调优

示例代码：

import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, roc_auc_score

#  1.获取数据
titan = pd.read_csv('./titanic.csv')

#  2.数据基本处理
#  2.1 确定特征值、目标值
x = titan[['Pclass', 'Age', 'Sex']]
y = titan['Survived']
#  2.2 缺失值处理
# 缺失值需要处理，将特征当中有类别的这些特征进行字典特征抽取
x['Age'].fillna(x['Age'].mean(), inplace=True)
# x = pd.get_dummies(x)
#  2.3 数据集划分
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22, test_size=0.2)

#  3. 特征工程
transfer = DictVectorizer(sparse=False)
x_train = transfer.fit_transform(x_train.to_dict(orient="records"))
x_test = transfer.fit_transform(x_test.to_dict(orient="records"))

#  4.机器学习-随机森林
#  随机森林去进行预测
rf = RandomForestClassifier(n_estimators=100, criterion='gini', max_depth=5)
#  训练模型
rf.fit(x_train, y_train)

#  5.评估模型 - 准确率
score = rf.score(x_test, y_test)
print('准确率为：', score)
#  精准率，召回率，f1-score
y_predict = rf.predict(x_test)
res = classification_report(y_predict, y_test)
print('精准率，召回率，f1-score分别为:\n', res)
#  AUC
auc = roc_auc_score(y_predict, y_test)
print('auc:', auc)

运行结果：

使用GridSearchCV进行网格搜索示例代码：

import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, roc_auc_score

#  1.获取数据
titan = pd.read_csv('./titanic.csv')

#  2.数据基本处理
#  2.1 确定特征值、目标值
x = titan[['Pclass', 'Age', 'Sex']]
y = titan['Survived']
#  2.2 缺失值处理
# 缺失值需要处理，将特征当中有类别的这些特征进行字典特征抽取
x['Age'].fillna(x['Age'].mean(), inplace=True)
# x = pd.get_dummies(x)
#  2.3 数据集划分
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22, test_size=0.2)

#  3. 特征工程
transfer = DictVectorizer(sparse=False)
x_train = transfer.fit_transform(x_train.to_dict(orient="records"))
x_test = transfer.fit_transform(x_test.to_dict(orient="records"))

#  4.机器学习-随机森林
#  随机森林去进行预测
rf = RandomForestClassifier()

#  定义超参数列表
param = {"n_estimators": [120, 200, 300, 500, 800, 1200], "max_depth": [5, 8, 15, 25, 30]}

#  超参数调优
gc = GridSearchCV(rf, param_grid=param, cv=2)  # 这儿会跑60次，len(n_estimators)*len(max_depth)*cv=6*5*2
gc.fit(x_train, y_train)

#  5.评估模型 - 准确率
score = gc.score(x_test, y_test)
print('随机森林预测的准确率为：：', score)
#  精准率，召回率，f1-score
y_predict = gc.predict(x_test)
res = classification_report(y_predict, y_test)
print('精准率，召回率，f1-score分别为:\n', res)
#  AUC
auc = roc_auc_score(y_predict, y_test)
print('auc:', auc)

# 获得最优超参数
print('获得最优超参数:', gc.best_params_)

# 获得最优模型
print('获得最优模型:', gc.best_estimator_)

运行效果：

5 bagging集成优点

​ Bagging + 决策树/线性回归/逻辑回归/深度学习… = bagging集成学习方法

经过上面方式组成的集成学习方法:

1. 均可在原有算法上提高约2%左右的泛化正确率

2. 简单, 方便, 通用