/
githubmirror
/
ailearning
Обзор
Документация
Войти
/
githubmirror
/
ailearning
Код
Запросы
0
Пакеты
0
Релизы
0
Аналитика
Безопасность
master
src/py2.x/ml/7.RandomForest/randomForest.py
347 строк
15 KB
jiangzhonglian
修改中文符号为英文
18 май 2020, 17:12
18 май 2020, 17:12
294b3c2
Код
Авторство
О чём код?
#!/usr/bin/python # coding:utf8 ''' Created 2017-04-25 Update on 2017-05-18 Random Forest Algorithm on Sonar Dataset Author: Flying_sfeng/片刻 GitHub: https://github.com/apachecn/AiLearning --- 源代码网址: http://www.tuicool.com/articles/iiUfeim Flying_sfeng博客地址: http://blog.csdn.net/flying_sfeng/article/details/64133822 (感谢作者贡献) ''' from __future__ import print_function from random import seed, randrange, random # 导入csv文件 def loadDataSet(filename): dataset = [] with open(filename, 'r') as fr: for line in fr.readlines(): if not line: continue lineArr = [] for featrue in line.split(','): # strip()返回移除字符串头尾指定的字符生成的新字符串 str_f = featrue.strip() # isdigit 如果是浮点型数值，就是 false，所以换成 isalpha() 函数 # if str_f.isdigit(): # 判断是否是数字 if str_f.isalpha(): # 如果是字母，说明是标签 # 添加分类标签 lineArr.append(str_f) else: # 将数据集的第column列转换成float形式 lineArr.append(float(str_f)) dataset.append(lineArr) return dataset def cross_validation_split(dataset, n_folds): """cross_validation_split(将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的) Args: dataset 原始数据集 n_folds 数据集dataset分成n_flods份 Returns: dataset_split list集合，存放的是: 将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的 """ dataset_split = list() dataset_copy = list(dataset) # 复制一份 dataset,防止 dataset 的内容改变 fold_size = len(dataset) / n_folds for i in range(n_folds): fold = list() # 每次循环 fold 清零，防止重复导入 dataset_split while len(fold) < fold_size: # 这里不能用 if，if 只是在第一次判断时起作用，while 执行循环，直到条件不成立 # 有放回的随机采样，有一些样本被重复采样，从而在训练集中多次出现，有的则从未在训练集中出现，此则自助采样法。从而保证每棵决策树训练集的差异性 index = randrange(len(dataset_copy)) # 将对应索引 index 的内容从 dataset_copy 中导出，并将该内容从 dataset_copy 中删除。 # pop() 函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。 # fold.append(dataset_copy.pop(index)) # 无放回的方式 fold.append(dataset_copy[index]) # 有放回的方式 dataset_split.append(fold) # 由dataset分割出的n_folds个数据构成的列表，为了用于交叉验证 return dataset_split # Split a dataset based on an attribute and an attribute value # 根据特征和特征值分割数据集 def test_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 ''' Gini指数的计算问题，假如将原始数据集D切割两部分，分别为D1和D2，则 Gini(D|切割) = (|D1|/|D| ) * Gini(D1) + (|D2|/|D|) * Gini(D2) 学习地址: http://bbs.pinggu.org/thread-5986969-1-1.html http://www.cnblogs.com/pinard/p/6053344.html 而原文中 计算方式为: Gini(D|切割) = Gini(D1) + Gini(D2) # Calculate the Gini index for a split dataset def gini_index(groups, class_values): # 个人理解: 计算代价，分类越准确，则 gini 越小 gini = 0.0 for class_value in class_values: # class_values = [0, 1] for group in groups: # groups = (left, right) size = len(group) if size == 0: continue proportion = [row[-1] for row in group].count(class_value) / float(size) gini += (proportion * (1.0 - proportion)) # 个人理解: 计算代价，分类越准确，则 gini 越小 return gini ''' def gini_index(groups, class_values): # 个人理解: 计算代价，分类越准确，则 gini 越小 gini = 0.0 D = len(groups[0]) + len(groups[1]) for class_value in class_values: # class_values = [0, 1] for group in groups: # groups = (left, right) size = len(group) if size == 0: continue proportion = [row[-1] for row in group].count(class_value) / float(size) gini += float(size)/D * (proportion * (1.0 - proportion)) # 个人理解: 计算代价，分类越准确，则 gini 越小 return gini # 找出分割数据集的最优特征，得到最优的特征 index，特征值 row[index]，以及分割完的数据 groups（left, right） def get_split(dataset, n_features): class_values = list(set(row[-1] for row in dataset)) # class_values =[0, 1] b_index, b_value, b_score, b_groups = 999, 999, 999, None features = list() while len(features) < n_features: index = randrange(len(dataset[0])-1) # 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 if index not in features: features.append(index) for index in features: # 在 n_features 个特征中选出最优的特征索引，并没有遍历所有特征，从而保证了每课决策树的差异性 for row in dataset: groups = test_split(index, row[index], dataset) # groups=(left, right), row[index] 遍历每一行 index 索引下的特征值作为分类值 value, 找出最优的分类特征和特征值 gini = gini_index(groups, class_values) # 左右两边的数量越一样，说明数据区分度不高，gini系数越大 if gini < b_score: b_index, b_value, b_score, b_groups = index, row[index], gini, groups # 最后得到最优的分类特征 b_index,分类特征值 b_value,分类结果 b_groups。b_value 为分错的代价成本 # print b_score return {'index': b_index, 'value': b_value, 'groups': b_groups} # Create a terminal node value # 输出group中出现次数较多的标签 def to_terminal(group): outcomes = [row[-1] for row in group] # max() 函数中，当 key 参数不为空时，就以 key 的函数对象为判断的标准 return max(set(outcomes), key=outcomes.count) # 输出 group 中出现次数较多的标签 # Create child splits for a node or make terminal # 创建子分割器，递归分类，直到分类结束 def split(node, max_depth, min_size, n_features, depth): # max_depth = 10, min_size = 1, n_features=int(sqrt((len(dataset[0])-1) left, right = node['groups'] del(node['groups']) # check for a no split if not left or not right: node['left'] = node['right'] = to_terminal(left + right) return # check for max depth if depth >= max_depth: # max_depth=10 表示递归十次，若分类还未结束，则选取数据中分类标签较多的作为结果，使分类提前结束，防止过拟合 node['left'], node['right'] = to_terminal(left), to_terminal(right) return # process left child if len(left) <= min_size: node['left'] = to_terminal(left) else: node['left'] = get_split(left, n_features) # node['left']是一个字典，形式为{'index':b_index, 'value':b_value, 'groups':b_groups}，所以node是一个多层字典 split(node['left'], max_depth, min_size, n_features, depth+1) # 递归，depth+1计算递归层数 # process right child 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) # Build a decision tree def build_tree(train, max_depth, min_size, n_features): """build_tree(创建一个决策树) Args: train 训练数据集 max_depth 决策树深度不能太深，不然容易导致过拟合 min_size 叶子节点的大小 n_features 选取的特征的个数 Returns: root 返回决策树 """ # 返回最优列和相关的信息 root = get_split(train, n_features) # 对左右2边的数据 进行递归的调用，由于最优特征使用过，所以在后面进行使用的时候，就没有意义了 # 例如: 性别-男女，对男使用这一特征就没任何意义了 split(root, max_depth, min_size, n_features, 1) return root # Make a prediction with a decision tree def predict(node, row): # 预测模型分类结果 if row[node['index']] < node['value']: if isinstance(node['left'], dict): # isinstance 是 Python 中的一个内建函数。是用来判断一个对象是否是一个已知的类型。 return predict(node['left'], row) else: return node['left'] else: if isinstance(node['right'], dict): return predict(node['right'], row) else: return node['right'] # Make a prediction with a list of bagged trees def bagging_predict(trees, row): """bagging_predict(bagging预测) Args: trees 决策树的集合 row 测试数据集的每一行数据 Returns: 返回随机森林中，决策树结果出现次数做大的 """ # 使用多个决策树trees对测试集test的第row行进行预测，再使用简单投票法判断出该行所属分类 predictions = [predict(tree, row) for tree in trees] return max(set(predictions), key=predictions.count) # Create a random subsample from the dataset with replacement def subsample(dataset, ratio): # 创建数据集的随机子样本 """random_forest(评估算法性能，返回模型得分) Args: dataset 训练数据集 ratio 训练数据集的样本比例 Returns: sample 随机抽样的训练样本 """ sample = list() # 训练样本的按比例抽样。 # round() 方法返回浮点数x的四舍五入值。 n_sample = round(len(dataset) * ratio) while len(sample) < n_sample: # 有放回的随机采样，有一些样本被重复采样，从而在训练集中多次出现，有的则从未在训练集中出现，此则自助采样法。从而保证每棵决策树训练集的差异性 index = randrange(len(dataset)) sample.append(dataset[index]) return sample # Random Forest Algorithm def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features): """random_forest(评估算法性能，返回模型得分) Args: train 训练数据集 test 测试数据集 max_depth 决策树深度不能太深，不然容易导致过拟合 min_size 叶子节点的大小 sample_size 训练数据集的样本比例 n_trees 决策树的个数 n_features 选取的特征的个数 Returns: predictions 每一行的预测结果，bagging 预测最后的分类结果 """ trees = list() # n_trees 表示决策树的数量 for i in range(n_trees): # 随机抽样的训练样本， 随机采样保证了每棵决策树训练集的差异性 sample = subsample(train, sample_size) # 创建一个决策树 tree = build_tree(sample, max_depth, min_size, n_features) trees.append(tree) # 每一行的预测结果，bagging 预测最后的分类结果 predictions = [bagging_predict(trees, row) for row in test] return predictions # Calculate accuracy percentage def accuracy_metric(actual, predicted): # 导入实际值和预测值，计算精确度 correct = 0 for i in range(len(actual)): if actual[i] == predicted[i]: correct += 1 return correct / float(len(actual)) * 100.0 # 评估算法性能，返回模型得分 def evaluate_algorithm(dataset, algorithm, n_folds, *args): """evaluate_algorithm(评估算法性能，返回模型得分) Args: dataset 原始数据集 algorithm 使用的算法 n_folds 数据的份数 *args 其他的参数 Returns: scores 模型得分 """ # 将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次 list 的元素是无重复的 folds = cross_validation_split(dataset, n_folds) scores = list() # 每次循环从 folds 从取出一个 fold 作为测试集，其余作为训练集，遍历整个 folds ，实现交叉验证 for fold in folds: train_set = list(folds) train_set.remove(fold) # 将多个 fold 列表组合成一个 train_set 列表, 类似 union all """ In [20]: l1=[[1, 2, 'a'], [11, 22, 'b']] In [21]: l2=[[3, 4, 'c'], [33, 44, 'd']] In [22]: l=[] In [23]: l.append(l1) In [24]: l.append(l2) In [25]: l Out[25]: [[[1, 2, 'a'], [11, 22, 'b']], [[3, 4, 'c'], [33, 44, 'd']]] In [26]: sum(l, []) Out[26]: [[1, 2, 'a'], [11, 22, 'b'], [3, 4, 'c'], [33, 44, 'd']] """ train_set = sum(train_set, []) test_set = list() # fold 表示从原始数据集 dataset 提取出来的测试集 for row in fold: row_copy = list(row) row_copy[-1] = None test_set.append(row_copy) predicted = algorithm(train_set, test_set, *args) actual = [row[-1] for row in fold] # 计算随机森林的预测结果的正确率 accuracy = accuracy_metric(actual, predicted) scores.append(accuracy) return scores if __name__ == '__main__': # 加载数据 dataset = loadDataSet('data/7.RandomForest/sonar-all-data.txt') # print dataset n_folds = 5 # 分成5份数据，进行交叉验证 max_depth = 20 # 调参（自己修改） #决策树深度不能太深，不然容易导致过拟合 min_size = 1 # 决策树的叶子节点最少的元素数量 sample_size = 1.0 # 做决策树时候的样本的比例 # n_features = int((len(dataset[0])-1)) n_features = 15 # 调参（自己修改） #准确性与多样性之间的权衡 for n_trees in [1, 10, 20, 30, 40, 50]: # 理论上树是越多越好 scores = evaluate_algorithm(dataset, random_forest, n_folds, max_depth, min_size, sample_size, n_trees, n_features) # 每一次执行本文件时都能产生同一个随机数 seed(1) print('random=', random()) print('Trees: %d' % n_trees) print('Scores: %s' % scores) print('Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores))))