【详细代码注释】基于CNN卷积神经网络实现随机森林算法

admin • • 人工智能

  1. 随机森林算法简介:

    • 随机森林（Random Forest）是一种灵活性很高的机器学习算法。

    • 它的底层是利用多棵树对样本进行训练并预测的一种分类器。在机器学习的许多领域都有广泛地应用。

    • 例如构建医学疾病监测和病患易感性的预测模型。笔者自己曾经将RF算法应用于癌变细胞的检测和分析上。

  2. 随机森林算法原理：

  • 随机森林的本质就是通过集成学习（Ensemble Learning）将多棵决策树集成的一种算法。

  • 那么我们先简单了解集成学习。

    • 继承学习的意义是构建并结合多个学习器来完成学习任务，也被称为多分类器系统。

  • 集成学习分为 序列集成方法与 并行集成方法。随机森林算法属于后者的典型代表。

  • 使用这种方法的集成学习，优点在于充分利用了基础学习器之间的独立性，通过对结果进行平均显著降低错误的概率。

  • 下面再简单说下决策树的原理

  • 决策树是一种数据集划分的方法

  • 数据划分为具有相似值的子集来构建出一个完整的树。决策树上每一个非叶节点是它对应的特征属性的测试集合。

  • 经过每个特征属性的测试，产生了多个分支，而每个分支就是对于特征属性测试中某个值域的输出子集。

  • 决策树上每个叶子节点就是表达输出结果的数据。

  • 综合上面对集成学习和决策树的介绍，我们可以得出结论：随机森林是由很多的相互不关联的决策树组成的，利用集成学习思想搭建的一种机器学习算法 它的准确率要远高于单一决策树。
  1. 随机森林算法搭建步骤：

1.用N来表示训练用例（样本）的个数，M表示特征数目。

2.输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应远小于M。
3. 从N个训练用例（样本）中以有放回抽样的方式，取样N次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。
4. 对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的。根据这m个特征，计算其最佳的分裂方式。每棵树都会完整成长而不会剪枝，这有可能在建完一棵正常树状分类器后会被采用）。

  1. 随机森林的优点：
  • 可以判断出不同特征之间的相互影响
  • 因为是并行算法，所以训练速度较快。
  • 不容易过拟合。
  1. 随机森林的缺点：
  • 随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟合。
  1. Python代码实现

'''
算法原理：
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。
'''

from random import seed
from random import randint
import numpy as np

# 建立一棵CART树

def data_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

# 计算基尼指数

def calc_gini(groups, class_values):
    gini = 0.0
    total_size = 0
    for group in groups:
        total_size += len(group)
    for group in groups:
        size = len(group)
        if size == 0:
            continue
        for class_value in class_values:
            proportion = [row[-1] for row in group].count(class_value) / float(size)
            gini += (size / float(total_size)) * (proportion * (1.0 - proportion))
    return gini

# 找最佳分叉点

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:
        # 往features添加n_features个特征（n_feature等于特征数的根号），特征索引从dataset中随机取
        index = randint(0, len(dataset[0]) - 2)
        if index not in features:
            features.append(index)
    for index in features:
        for row in dataset:
            groups = data_split(index, row[index], dataset)
            gini = calc_gini(groups, class_values)
            if gini < b_score:
                b_index, b_value, b_score, b_groups = index, row[index], gini, groups
    # 每个节点由字典组成
    return {'index': b_index, 'value': b_value, 'groups': b_groups}

# 多数表决

def to_terminal(group):
    outcomes = [row[-1] for row in group]
    return max(set(outcomes), key=outcomes.count)

# 分枝

def split(node, max_depth, min_size, n_features, depth):
    left, right = node['groups']
    del (node['groups'])
    if not left or not right:
        node['left'] = node['right'] = to_terminal(left + right)
        return

    if depth >= max_depth:
        node['left'], node['right'] = to_terminal(left), to_terminal(right)
        return
    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)
    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)

# 建立一棵树

def build_one_tree(train, max_depth, min_size, n_features):
    root = get_split(train, n_features)
    split(root, max_depth, min_size, n_features, 1)
    return root

# 用一棵树来预测

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']


# 随机森林类

class randomForest:
    def __init__(self,trees_num, max_depth, leaf_min_size, sample_ratio, feature_ratio):
        self.trees_num = trees_num                # 森林的树的数目
        self.max_depth = max_depth                # 树深
        self.leaf_min_size = leaf_min_size        # 建立树时，停止的分枝样本最小数目
        self.samples_split_ratio = sample_ratio   # 采样，创建子集的比例（行采样）
        self.feature_ratio = feature_ratio        # 特征比例（列采样）
        self.trees = list()                       # 森林

    # 有放回的采样，创建数据子集
    def sample_split(self, dataset):
        sample = list()
        n_sample = round(len(dataset) * self.samples_split_ratio)
        while len(sample) < n_sample:
            index = randint(0, len(dataset) - 2)
            sample.append(dataset[index])
        return sample
    
    # 建立随机森林
    def build_randomforest(self, train):
        max_depth = self.max_depth
        min_size = self.leaf_min_size
        n_trees = self.trees_num
        # 列采样，从M个feature中，选择m个(m远小于M)
        n_features = int(self.feature_ratio * (len(train[0])-1))
        for i in range(n_trees):
            sample = self.sample_split(train)
            tree = build_one_tree(sample, max_depth, min_size, n_features)
            self.trees.append(tree)
        return self.trees
    
    # 随机森林预测的多数表决
    def bagging_predict(self, onetestdata):
        predictions = [predict(tree, onetestdata) for tree in self.trees]
        return max(set(predictions), key=predictions.count)
    
    # 计算建立的森林的精确度
    def accuracy_metric(self, testdata):
        correct = 0
        for i in range(len(testdata)):
            predicted = self.bagging_predict(testdata[i])
            if testdata[i][-1] == predicted:
                correct += 1
        return correct / float(len(testdata)) * 100.0

# 数据处理

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

# 划分训练数据与测试数据，默认取20%的数据当做测试数据

def split_train_test(dataset, ratio=0.2):
    num = len(dataset)
    train_num = int((1-ratio) * num)
    dataset_copy = list(dataset)
    traindata = list()
    while len(traindata) < train_num:
        index = randint(0,len(dataset_copy)-1)
        traindata.append(dataset_copy.pop(index))
    testdata = dataset_copy
    return traindata, testdata

# 测试

if __name__ == '__main__':
    train_feat = np.load("train_feat.npy")
    train_label = np.load("train_label.npy")
    test_feat = np.load("test_feat.npy")
    test_label = np.load("test_label.npy")

    train_label = np.expand_dims(train_label, 1)
    test_label = np.expand_dims(test_label, 1)
    
    traindata = np.concatenate((train_feat, train_label), axis=1)
    testdata = np.concatenate((train_feat, train_label), axis=1)
    
    # 决策树深度不能太深，不然容易导致过拟合
    max_depth = 20
    min_size = 1
    sample_ratio = 1
    trees_num = 20
    feature_ratio = 0.3
    RF = randomForest(trees_num, max_depth, min_size, sample_ratio, feature_ratio)
    RF.build_randomforest(traindata)
    acc = RF.accuracy_metric(testdata[:-1])
    print('模型准确率：', acc, '%')

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
THE END
分享
二维码
< <上一篇
下一篇>>