來(lái)源：數(shù)據(jù)STUDIO

作者：云朵君

所有的參數(shù)，屬性與接口，全部和隨機(jī)森林分類器一致。僅有的不同就是回歸樹與分類樹的不同，不純度的指標(biāo)， 參數(shù)Criterion不一致。

RandomForestRegressor(n_estimators='warn', 
                      criterion='mse', 
                      max_depth=None, 
                      min_samples_split=2, 
                      min_samples_leaf=1, 
                      min_weight_fraction_leaf=0.0, 
                      max_features='auto', 
                      max_leaf_nodes=None, 
                      min_impurity_decrease=0.0, 
                      min_impurity_split=None, 
                      bootstrap=True, 
                      oob_score=False, 
                      n_jobs=None, 
                      random_state=None, 
                      verbose=0, 
                      warm_start=False)

一、重要參數(shù)，屬性與接口

criterion

回歸樹衡量分枝質(zhì)量的指標(biāo)，支持的標(biāo)準(zhǔn)有三種

1. 輸入"mse"使用均方誤差mean squared error(MSE)，父節(jié)點(diǎn)和葉子節(jié)點(diǎn)之間的均方誤差的差額將被用來(lái)作為特征選擇的標(biāo)準(zhǔn)，這種方法通過(guò)使用葉子節(jié)點(diǎn)的均值來(lái)最小化L2損失。
2. 輸入"friedman_mse"使用費(fèi)爾德曼均方誤差，這種指標(biāo)使用弗里德曼針對(duì)潛在分枝中的問(wèn)題改進(jìn)后的均方誤差。
3. 輸入"mae"使用絕對(duì)平均誤差MAE(mean absolute error)，這種指標(biāo)使用葉節(jié)點(diǎn)的中值來(lái)最小化L1損失。

其中是樣本數(shù)量，i是每一個(gè)數(shù)據(jù)樣本，是模型回歸出的數(shù)值，是樣本點(diǎn)i實(shí)際的數(shù)值標(biāo)簽。所以MSE的本質(zhì)是樣本真實(shí)數(shù)據(jù)與回歸結(jié)果的差異。在回歸樹中，MSE不只是我們的分枝質(zhì)量衡量指標(biāo)，也是我們最常用的衡量回歸樹回歸質(zhì)量的指標(biāo)，當(dāng)我們?cè)谑褂媒徊骝?yàn)證，或者其他方式獲取回歸樹的結(jié)果時(shí)，我們往往選擇均方誤差作為我們的評(píng)估(在分類樹中這個(gè)指標(biāo)是score代表的預(yù)測(cè)準(zhǔn)確率)。在回歸中，我們追求的是，MSE越小越好。

然而，回歸樹的接口score返回的是R平方，并不是MSE。此處可參考線性回歸中模型評(píng)估指標(biāo)。

最重要的屬性和接口，都與隨機(jī)森林的分類器相一致，還是apply, fit, predict和score最為核心。值得一提的是，隨機(jī)森林回歸并沒(méi)有predict_proba這個(gè)接口，因?yàn)閷?duì)于回歸來(lái)說(shuō)，并不存在一個(gè)樣本要被分到某個(gè)類別的概率問(wèn)題，因此沒(méi)有predict_proba這個(gè)接口。

二、例子

from sklearn.datasets import load_boston from sklearn.model_selection import cross_val_score from sklearn.ensemble import RandomForestRegressor
boston = load_boston()
regressor = RandomForestRegressor(n_estimators=100,random_state=0)
cross_val_score(regressor, boston.data, boston.target, cv=10                ,scoring = "neg_mean_squared_error")
sorted(sklearn.metrics.SCORERS.keys())

返回十次交叉驗(yàn)證的結(jié)果，注意在這里，如果不填寫scoring = "neg_mean_squared_error"，交叉驗(yàn)證默認(rèn)的模型衡量指標(biāo)是R平方，因此交叉驗(yàn)證的結(jié)果可能有正也可能有負(fù)。而如果寫上scoring，則衡量標(biāo)準(zhǔn)是負(fù)MSE，交叉驗(yàn)證的結(jié)果只可能為負(fù)。

實(shí)例：?隨機(jī)森林回歸填補(bǔ)缺失值

在之前缺失值處理文章中提到運(yùn)用隨機(jī)森林回歸填補(bǔ)缺失值，我們來(lái)看看具體如何操作。

導(dǎo)包

import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import load_boston from sklearn.impute import SimpleImputer from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import cross_val_score

數(shù)據(jù)準(zhǔn)備

以波?頓數(shù)據(jù)集為例，導(dǎo)?完整的數(shù)據(jù)集并探索

dataset = load_boston()
dataset.data.shape #總共506*13=6578個(gè)數(shù)據(jù) X, y = dataset.data, dataset.target
n_samples = X.shape[0]
n_features = X.shape[1]

生產(chǎn)缺失值

rng = np.random.RandomState(0) missing_rate = 0.5 n_missing_samples = int(np.floor(n_samples * n_features * missing_rate)) #np.floor向下取整，返回.0格式的浮點(diǎn)數(shù) 

所有數(shù)據(jù)要隨機(jī)遍布在數(shù)據(jù)集的各?各列當(dāng)中，??個(gè)缺失的數(shù)據(jù)會(huì)需要?個(gè)?索引和?個(gè)列索引如果能夠創(chuàng)造?個(gè)數(shù)組，包含3289個(gè)分布在0~506中間的?索引，和3289個(gè)分布在0~13之間的列索引，那我們就可以利?索引來(lái)為數(shù)據(jù)中的任意3289個(gè)位置賦空值。

我們現(xiàn)在采樣3289個(gè)數(shù)據(jù)，遠(yuǎn)遠(yuǎn)超過(guò)樣本量506，所以使?隨機(jī)抽取的函數(shù)randint。但如果需要的數(shù)據(jù)量?于我們的樣本量506，那我們可以采?np.random.choice來(lái)抽樣，choice會(huì)隨機(jī)抽取不重復(fù)的隨機(jī)數(shù)，因此可以幫助我們讓數(shù)據(jù)更加分散，確保數(shù)據(jù)不會(huì)集中在?些?中。

missing_features_index = rng.randint(0,n_features,n_missing_samples)
missing_samples_index = rng.randint(0,n_samples,n_missing_samples) # missing_samples=rng.choice(dataset.data.shape[0],n_missing_samples,replace=False) X_missing = X.copy()
y_missing = y.copy()
X_missing[missing_samples, missing_features] = np.nan
X_missing = pd.DataFrame(X_missing) # 轉(zhuǎn)換成DataFrame是為了后續(xù)?便各種操作， # numpy對(duì)矩陣的運(yùn)算速度快，但是在索引等功能上卻不如pandas來(lái)得好? 

然后我們?0，均值和隨機(jī)森林來(lái)填寫這些缺失值，然后查看回歸的結(jié)果如何

#使?均值進(jìn)?填補(bǔ) from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer(missing_values=np.nan, strategy='mean')
X_missing_mean = imp_mean.fit_transform(X_missing) #使?0進(jìn)?填補(bǔ) imp_0 = SimpleImputer(missing_values=np.nan, strategy="constant",fill_value=0)
X_missing_0 = imp_0.fit_transform(X_missing)

隨機(jī)森林填補(bǔ)

使?隨機(jī)森林回歸填補(bǔ)缺失值任何回歸都是從特征矩陣中學(xué)習(xí)，然后求解連續(xù)型標(biāo)簽y的過(guò)程，之所以能夠?qū)崿F(xiàn)這個(gè)過(guò)程，是因?yàn)榛貧w算法認(rèn)為，特征矩陣和標(biāo)簽之前存在著某種聯(lián)系。實(shí)際上，標(biāo)簽和特征是可以相互轉(zhuǎn)換的，?如說(shuō)，在?個(gè)"?地區(qū)，環(huán)境，附近學(xué)校數(shù)量"預(yù)測(cè)"房?jī)r(jià)"的問(wèn)題中，我們既可以?"地區(qū)"，"環(huán)境"，"附近學(xué)校數(shù)量"的數(shù)據(jù)來(lái)預(yù)測(cè)"房?jī)r(jià)"，也可以反過(guò)來(lái)，?"環(huán)境"，"附近學(xué)校數(shù)量"和"房?jī)r(jià)"來(lái)預(yù)測(cè)"地區(qū)"。?回歸填補(bǔ)缺失值，正是利?了這種思想。

對(duì)于?個(gè)有n個(gè)特征的數(shù)據(jù)來(lái)說(shuō)，其中特征T有缺失值，我們就把特征T當(dāng)作標(biāo)簽，其他的n-1個(gè)特征和原本的標(biāo)簽組成新的特征矩陣。那對(duì)于T來(lái)說(shuō)，它沒(méi)有缺失的部分，就是我們的Y_test，這部分?jǐn)?shù)據(jù)既有標(biāo)簽也有特征，?它缺失的部分，只有特征沒(méi)有標(biāo)簽，就是我們需要預(yù)測(cè)的部分。

特征T不缺失的值對(duì)應(yīng)的其他n-1個(gè)特征 + 本來(lái)的標(biāo)簽：X_train
特征T不缺失的值：Y_train
特征T缺失的值對(duì)應(yīng)的其他n-1個(gè)特征 + 本來(lái)的標(biāo)簽：X_test
特征T缺失的值：未知，我們需要預(yù)測(cè)的Y_test

這種做法，對(duì)于某?個(gè)特征?量缺失，其他特征卻很完整的情況，?常適?。

那如果數(shù)據(jù)中除了特征T之外，其他特征也有缺失值怎么辦？答案是遍歷所有的特征，從缺失最少的開始進(jìn)?填補(bǔ)（因?yàn)樘钛a(bǔ)缺失最少的特征所需要的準(zhǔn)確信息最少）。填補(bǔ)?個(gè)特征時(shí)，先將其他特征的缺失值?0代替，每完成?次回歸預(yù)測(cè)，就將預(yù)測(cè)值放到原本的特征矩陣中，再繼續(xù)填補(bǔ)下?個(gè)特征。每?次填補(bǔ)完畢，有缺失值的特征會(huì)減少?個(gè)，所以每次循環(huán)后，需要?0來(lái)填補(bǔ)的特征就越來(lái)越少。當(dāng)進(jìn)?到最后?個(gè)特征時(shí)（這個(gè)特征應(yīng)該是所有特征中缺失值最多的），已經(jīng)沒(méi)有任何的其他特征需要?0來(lái)進(jìn)?填補(bǔ)了，?我們已經(jīng)使?回歸為其他特征填補(bǔ)了?量有效信息，可以?來(lái)填補(bǔ)缺失最多的特征。遍歷所有的特征后，數(shù)據(jù)就完整，不再有缺失值了。

X_missing_reg = X_missing.copy()
sortindex = np.argsort(X_missing_reg.isnull().sum(axis=0)).values
for i in sortindex:
    #構(gòu)建我們的新特征矩陣和新標(biāo)簽     df = X_missing_reg
    fillc = df.iloc[:,i]
    df = pd.concat([df.iloc[:,df.columns != i],pd.DataFrame(y_full)],axis=1)
    #在新特征矩陣中，對(duì)含有缺失值的列，進(jìn)?0的填補(bǔ)     df_0 =SimpleImputer(missing_values=np.nan,
    strategy='constant',fill_value=0).fit_transform(df)
    #找出我們的訓(xùn)練集和測(cè)試集     Ytrain = fillc[fillc.notnull()]
    Ytest = fillc[fillc.isnull()]
    Xtrain = df_0[Ytrain.index,:]
    Xtest = df_0[Ytest.index,:]
    #?隨機(jī)森林回歸來(lái)填補(bǔ)缺失值     rfc = RandomForestRegressor(n_estimators=100)
    rfc = rfc.fit(Xtrain, Ytrain)
    Ypredict = rfc.predict(Xtest)
    #將填補(bǔ)好的特征返回到我們的原始的特征矩陣中     X_missing_reg.loc[X_missing_reg.iloc[:,i].isnull(),i] = Ypredict

建模

#對(duì)所有數(shù)據(jù)進(jìn)?建模，取得MSE結(jié)果 X = [X_full,X_missing_mean,X_missing_0,X_missing_reg] mse = [] std = [] for x in X:
    estimator = RandomForestRegressor(random_state=0, n_estimators=100)
    scores =
    cross_val_score(estimator,x,y_full,scoring='neg_mean_squared_error',
    cv=5).mean()
    mse.append(scores * -1)

可視化

x_labels = ['Full data',
        'Zero Imputation',
      'Mean Imputation',
      'Regressor Imputation']
colors = ['r', 'g', 'b', 'orange']
plt.figure(figsize=(12, 6))
ax = plt.subplot(111) for i in np.arange(len(mse)):
  ax.barh(i, mse[i],color=colors[i], alpha=0.6, align='center')
    
ax.set_title('Imputation Techniques with Boston Data')
ax.set_xlim(left=np.min(mse) * 0.9,right=np.max(mse) * 1.1)
ax.set_yticks(np.arange(len(mse)))
ax.set_xlabel('MSE')
ax.set_yticklabels(x_labels)
plt.show()

三、隨機(jī)森林調(diào)參