來源：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， 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，支持的標準有三種

1. 輸入"mse"使用均方誤差mean squared error(MSE)，父節(jié)點和葉子節(jié)點之間的均方誤差的差額將被用來作為特征選擇的標準，這種方法通過使用葉子節(jié)點的均值來最小化L2損失。
2. 輸入"friedman_mse"使用費爾德曼均方誤差，這種指標使用弗里德曼針對潛在分枝中的問題改進后的均方誤差。
3. 輸入"mae"使用絕對平均誤差MAE(mean absolute error)，這種指標使用葉節(jié)點的中值來最小化L1損失。

其中是樣本數(shù)量，i是每一個數(shù)據(jù)樣本，是模型回歸出的數(shù)值，是樣本點i實際的數(shù)值標簽。所以MSE的本質(zhì)是樣本真實數(shù)據(jù)與回歸結果的差異。在回歸樹中，MSE不只是我們的分枝質(zhì)量衡量指標，也是我們最常用的衡量回歸樹回歸質(zhì)量的指標，當我們在使用交叉驗證，或者其他方式獲取回歸樹的結果時，我們往往選擇均方誤差作為我們的評估(在分類樹中這個指標是score代表的預測準確率)。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估指標。

最重要的屬性和接口，都與隨機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，隨機森林回歸并沒有predict_proba這個接口，因為對于回歸來說，并不存在一個樣本要被分到某個類別的概率問題，因此沒有predict_proba這個接口。

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())

返回十次交叉驗證的結果，注意在這里，如果不填寫scoring = "neg_mean_squared_error"，交叉驗證默認的模型衡量指標是R平方，因此交叉驗證的結果可能有正也可能有負。而如果寫上scoring，則衡量標準是負MSE，交叉驗證的結果只可能為負。

實例：?隨機森林回歸填補缺失值

在之前缺失值處理文章中提到運用隨機森林回歸填補缺失值，我們來看看具體如何操作。

導包

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)準備

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

dataset = load_boston()
dataset.data.shape #總共506*13=6578個數(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格式的浮點數(shù) 

所有數(shù)據(jù)要隨機遍布在數(shù)據(jù)集的各?各列當中，??個缺失的數(shù)據(jù)會需要?個?索引和?個列索引如果能夠創(chuàng)造?個數(shù)組，包含3289個分布在0~506中間的?索引，和3289個分布在0~13之間的列索引，那我們就可以利?索引來為數(shù)據(jù)中的任意3289個位置賦空值。

我們現(xiàn)在采樣3289個數(shù)據(jù)，遠遠超過樣本量506，所以使?隨機抽取的函數(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來抽樣，choice會隨機抽取不重復的隨機數(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對矩陣的運算速度快，但是在索引等功能上卻不如pandas來得好? 

然后我們?0，均值和隨機森林來填寫這些缺失值，然后查看回歸的結果如何

#使?均值進?填補 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?填補 imp_0 = SimpleImputer(missing_values=np.nan, strategy="constant",fill_value=0)
X_missing_0 = imp_0.fit_transform(X_missing)

隨機森林填補

使?隨機森林回歸填補缺失值任何回歸都是從特征矩陣中學習，然后求解連續(xù)型標簽y的過程，之所以能夠?qū)崿F(xiàn)這個過程，是因為回歸算法認為，特征矩陣和標簽之前存在著某種聯(lián)系。實際上，標簽和特征是可以相互轉(zhuǎn)換的，?如說，在?個"?地區(qū)，環(huán)境，附近學校數(shù)量"預測"房價"的問題中，我們既可以?"地區(qū)"，"環(huán)境"，"附近學校數(shù)量"的數(shù)據(jù)來預測"房價"，也可以反過來，?"環(huán)境"，"附近學校數(shù)量"和"房價"來預測"地區(qū)"。?回歸填補缺失值，正是利?了這種思想。

對于?個有n個特征的數(shù)據(jù)來說，其中特征T有缺失值，我們就把特征T當作標簽，其他的n-1個特征和原本的標簽組成新的特征矩陣。那對于T來說，它沒有缺失的部分，就是我們的Y_test，這部分數(shù)據(jù)既有標簽也有特征，?它缺失的部分，只有特征沒有標簽，就是我們需要預測的部分。

特征T不缺失的值對應的其他n-1個特征 + 本來的標簽：X_train
特征T不缺失的值：Y_train
特征T缺失的值對應的其他n-1個特征 + 本來的標簽：X_test
特征T缺失的值：未知，我們需要預測的Y_test

這種做法，對于某?個特征?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?填補（因為填補缺失最少的特征所需要的準確信息最少）。填補?個特征時，先將其他特征的缺失值?0代替，每完成?次回歸預測，就將預測值放到原本的特征矩陣中，再繼續(xù)填補下?個特征。每?次填補完畢，有缺失值的特征會減少?個，所以每次循環(huán)后，需要?0來填補的特征就越來越少。當進?到最后?個特征時（這個特征應該是所有特征中缺失值最多的），已經(jīng)沒有任何的其他特征需要?0來進?填補了，?我們已經(jīng)使?回歸為其他特征填補了?量有效信息，可以?來填補缺失最多的特征。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:
    #構建我們的新特征矩陣和新標簽     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，對含有缺失值的列，進?0的填補     df_0 =SimpleImputer(missing_values=np.nan,
    strategy='constant',fill_value=0).fit_transform(df)
    #找出我們的訓練集和測試集     Ytrain = fillc[fillc.notnull()]
    Ytest = fillc[fillc.isnull()]
    Xtrain = df_0[Ytrain.index,:]
    Xtest = df_0[Ytest.index,:]
    #?隨機森林回歸來填補缺失值     rfc = RandomForestRegressor(n_estimators=100)
    rfc = rfc.fit(Xtrain, Ytrain)
    Ypredict = rfc.predict(Xtest)
    #將填補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

#對所有數(shù)據(jù)進?建模，取得MSE結果 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、隨機森林調(diào)參