
Python實(shí)現(xiàn)的隨機(jī)森林算法與簡單總結(jié)
本文實(shí)例講述了Python實(shí)現(xiàn)的隨機(jī)森林算法。分享給大家供大家參考,具體如下:
隨機(jī)森林是數(shù)據(jù)挖掘中非常常用的分類預(yù)測算法,以分類或回歸的決策樹為基分類器。算法的一些基本要點(diǎn):
*對大小為m的數(shù)據(jù)集進(jìn)行樣本量同樣為m的有放回抽樣;
*對K個特征進(jìn)行隨機(jī)抽樣,形成特征的子集,樣本量的確定方法可以有平方根、自然對數(shù)等;
*每棵樹完全生成,不進(jìn)行剪枝;
*每個樣本的預(yù)測結(jié)果由每棵樹的預(yù)測投票生成(回歸的時候,即各棵樹的葉節(jié)點(diǎn)的平均)
出于個人研究和測試的目的,基于經(jīng)典的Kaggle 101泰坦尼克號乘客的數(shù)據(jù)集,建立模型并進(jìn)行評估。
泰坦尼克號的沉沒,是歷史上非常著名的海難。突然感到,自己面對的不再是冷冰冰的數(shù)據(jù),而是用數(shù)據(jù)挖掘的方法,去研究具體的歷史問題,也是饒有興趣。言歸正傳,模型的主要的目標(biāo),是希望根據(jù)每個乘客的一系列特征,如性別、年齡、艙位、上船地點(diǎn)等,對其是否能生還進(jìn)行預(yù)測,是非常典型的二分類預(yù)測問題。數(shù)據(jù)集的字段名及實(shí)例如下:
值得說明的是,SibSp是指sister brother spouse,即某個乘客隨行的兄弟姐妹、丈夫、妻子的人數(shù),Parch指parents,children
下面給出整個數(shù)據(jù)處理及建模過程,基于ubuntu+python 3.4( anaconda科學(xué)計(jì)算環(huán)境已經(jīng)集成一系列常用包,pandas numpy sklearn等,這里強(qiáng)烈推薦)
懶得切換輸入法,寫的時候主要的注釋都是英文,中文的注釋是后來補(bǔ)充的:-)
上述是隨機(jī)森林的代碼,如上所述,隨機(jī)森林是一系列決策樹的組合,決策樹每次分裂,用Gini系數(shù)衡量當(dāng)前節(jié)點(diǎn)的“不純凈度”,如果按照某個特征的某個分裂點(diǎn)對數(shù)據(jù)集劃分后,能夠讓數(shù)據(jù)集的Gini下降最多(顯著地減少了數(shù)據(jù)集輸出變量的不純度),則選為當(dāng)前最佳的分割特征及分割點(diǎn)。代碼如下:
實(shí)際上,上面的代碼還有很大的效率提升的空間,數(shù)據(jù)集不是很大的情況下,如果選擇一個較大的輸入?yún)?shù),例如生成100棵樹,就會顯著地變慢;同時,將預(yù)測結(jié)果提交至kaggle進(jìn)行評測,發(fā)現(xiàn)在測試集上的正確率不是很高,比使用sklearn里面相應(yīng)的包進(jìn)行預(yù)測的正確率(0.77512)要稍低一點(diǎn) :-( 如果要提升準(zhǔn)確率,兩個大方向: 構(gòu)造新的特征;調(diào)整現(xiàn)有模型的參數(shù)。
這里是拋磚引玉,歡迎大家對我的建模思路和算法的實(shí)現(xiàn)方法提出修改意見。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗(yàn):捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03