原理+代碼｜深入淺出Python隨機森林預(yù)測實戰(zhàn)

組合算法也叫集成學(xué)習(xí)，在金融行業(yè)或非圖像識別領(lǐng)域，效果有時甚至比深度學(xué)習(xí)還要好。能夠理解基本原理并將代碼用于實際的業(yè)務(wù)案例是本文的目標(biāo)，本文將詳細(xì)介紹如何利用Python實現(xiàn)集成學(xué)習(xí)中隨機森林這個經(jīng)典的方法來預(yù)測寬帶客戶的流失，主要將分為兩個部分：

• 詳細(xì)原理介紹

• Python代碼實戰(zhàn)

本文的主角是隨機森林，所以我們將以隨機森林所屬的分支 —— 裝袋法 入手，深入淺出該集成學(xué)習(xí)方法的原理步驟。裝袋法流程如下

乍一看圖中的步驟可能有些復(fù)雜，現(xiàn)在來逐步拆解。裝袋法中的裝袋二字是精髓，顧名思義即將多個模型裝入同一個袋子后，讓這個袋子作為一個新的模型來實現(xiàn)預(yù)測需求，僅此而已。換句話說，即把多個模型組合起來形成一個新的大模型，這個大模型最終給出的預(yù)測結(jié)果是由這多個小模型綜合決定的，決定方式為少數(shù)服從多數(shù)。

假設(shè)有10萬條原始數(shù)據(jù)，用這些數(shù)據(jù)來做十棵決策樹（當(dāng)然也可以是其他模型），最后這10棵樹將被裝進(jìn)了同一個袋子中。這時候取其中一條數(shù)據(jù)放入這個袋子，便會得出10個預(yù)測值(每棵樹各一個)，假如其中三棵樹給出的預(yù)測值為0，剩余的七棵給出的為1，那我們便可知道這個袋子對這個數(shù)據(jù)的預(yù)測結(jié)果為 0 的概率是 3/10。

為了更深入的理解裝袋法，下面將回答三個與裝袋法有關(guān)的常見問題：

問：袋子中的每個模型使用的樣本量范圍應(yīng)為多少合適？

答：如果是上面的例子，袋子里面有十棵樹，源數(shù)據(jù)總量為 10萬 條，則每棵樹取用的樣本量的最小值為最少是1w個(10w/10棵 = 1w/棵)，因為至少要保證不能浪費樣本，但每棵樹最多可取用多少樣本呢？其實在樣本量已知，同一袋子中模型個數(shù)為n的情況下，樣本的選擇比例為1/n ~ 0.8最好。每個小模型取用 100% 的樣本是絕對沒有意義的，那就跟沒抽是一樣的，這樣也就沒有體現(xiàn)出裝袋，只有每個模型用到的數(shù)據(jù)都有一定的不同，組合起來后每個的投票（預(yù)測結(jié)果）也才有意義。

問：袋中模型們之間的相關(guān)性會影響最后的決策結(jié)果嗎？

答：裝袋法思路最重要的一點：袋子中每個模型之間不能相關(guān)，越不相關(guān)越好，這里的不相關(guān)主要體現(xiàn)在用于訓(xùn)練每個模型的樣本不一樣。其次，每個模型的精度越高越好，這樣它的投票才更有價值。

PS：訓(xùn)練模型的樣本不一樣這一點可以理解為總統(tǒng)選舉，抽 10 波選民來投票，這 10 波選民的差異性越大越好，這樣一來，只有在選民千差萬別的情況下你依然脫穎而出，才足以說明你的實力，如果這10波選民中每一波之間的差異性都很小，比如都是本來就偏袒于總統(tǒng)候選人，那投票結(jié)果的說服力就會大減。

問：上面所說的模型精度高是不是哪怕模型很復(fù)雜也可以，如果每個模型的精度高但都過度擬合怎么辦？

答：在裝袋法中，模型是越精確越好，哪怕是過度擬合的也沒有關(guān)系。因為一個模型要想在訓(xùn)練集上做到越精確越好，而精確程度與模型的復(fù)雜度大多是成正比的，所以出現(xiàn)過擬合的情況也是正常且情有可原的。復(fù)雜和過度擬合只是對袋子中每個模型而言，因為最后都會被加權(quán)，所以整個袋子（整體）并不會出現(xiàn)過度擬合的情況。

隨機森林的實現(xiàn)步驟如下：

有關(guān)隨機森林算法，本文說明以下幾個問題

問：為什么在列上也要隨機抽樣？

答：在引入筆者最最喜歡的一個比喻之前，先來看一個實際的業(yè)務(wù)場景，來自某城市商業(yè)銀行。我們有一大個電子表格存著大量的歷史數(shù)據(jù)，大概50多個變量(50多列)，變量們來自幾個不同的公司如人行，電信等(同一個客戶在不同公司)，最后希望預(yù)測的是該客戶是否會違約。電子表格組成如下：

而根據(jù)基礎(chǔ)的業(yè)務(wù)知識可知，與銀行有關(guān)的數(shù)據(jù)中往往會存在許多缺失值，以上圖為例，通常情況下只有待預(yù)測的變量這一列的數(shù)據(jù)是齊全的，畢竟客戶們是否違約這個行為的歷史數(shù)據(jù)很容易查找，但藍(lán)框和綠框這兩部分的缺失值往往較多，而且較隨意，具體隨意程度參見下圖：

紅框表示數(shù)據(jù)缺失，這里只展示了部分行和部分列數(shù)據(jù)，如果這份數(shù)據(jù)表的規(guī)模為 4萬行 * 50列，那這數(shù)據(jù)缺失的分布得有多隨意啊 ?？？所以，到底該如何充分利用這殘次不齊的數(shù)據(jù)就成了呈待解決的關(guān)鍵問題。這時候就可以祭出超級生動形象的 “島嶼 - 湖泊 - 椰子樹”比喻了：

• 整個表格看成一座巨大的島嶼，島嶼的長和寬分別對應(yīng)電子表格橫軸長和縱軸的長度

• 表中缺失的數(shù)據(jù)段看成一個個分布隨意的小湖泊，有數(shù)據(jù)的地方看成陸地

• 整個小島地底埋藏著巨大的價值（數(shù)據(jù)價值），通過在隨意的種樹（用裝袋法在行列上進(jìn)行隨機抽樣）來吸取地底的養(yǎng)分，畢竟湖泊上種不了樹，所以只要足夠隨機，就總能充分的利用陸地。

正因為是行列都隨機，才能夠做到真正的把整個數(shù)據(jù)表隨機切分成多份，每個模型使用一份，只要模型的數(shù)量足夠，總有模型能夠在最大程度上獲取數(shù)據(jù)集的價值。而且因變量的分類往往又是極不平衡的，可以參考原理+代碼｜手把手教你使用Python實戰(zhàn)反欺詐模型。至于如何將這些種好的樹的信息又再收集，便可以將陸地上比較近的幾棵樹上面再弄一個收集器，把這幾棵樹從陸地上收集到的養(yǎng)分再遞進(jìn)一層匯總，最終實現(xiàn)陸地養(yǎng)分匯總于樹木，樹木養(yǎng)分匯總于收集器，收集器養(yǎng)分匯總于更上層的另一個收集器，最終實現(xiàn)整片數(shù)據(jù)海洋中多個島嶼的信息匯總，這便是周志華團(tuán)隊和螞蟻金服的合作的用分布式深度隨機森林算法檢測套現(xiàn)欺詐。

隨機森林第一步之后的操作完全可以參照集成學(xué)習(xí)——裝袋法中提及的步驟。

問：既然每個模型給出的預(yù)測結(jié)果最后都會被加權(quán)，所以隨機森林中每棵決策樹的權(quán)重是多少？

答：隨機森林中每棵決策樹的權(quán)重都是一樣的，如果這個袋子中有 10 棵決策樹(或者其他模型)，那每棵樹給出的預(yù)測結(jié)果的權(quán)重便是 1/10，這是隨機森林的特性。如果權(quán)重不一樣的話，便是后續(xù)推文會提及的Adaboost等集成學(xué)習(xí)中的提升分支了。

問：裝袋法中袋子中的模型越多越好嗎？袋中用來訓(xùn)練每個模型的源數(shù)據(jù)比例也是越多越好嗎？

答：袋子中模型多一點好，袋中用來訓(xùn)練每個模型的源數(shù)據(jù)比例小一點好，但這并不代表越多越好與越小越好，還得結(jié)合數(shù)據(jù)集特性和一些深層次的模型算法知識。

裝袋法的優(yōu)勢如下：

• 準(zhǔn)確率明顯高于組合中任何單個分類器

• 對于較大的噪音，表現(xiàn)不至于很差，并且具有魯棒性

• 不容易過度擬合

隨機森林算法的優(yōu)點：

• 準(zhǔn)確率有時可以和神經(jīng)網(wǎng)絡(luò)媳美，比邏輯回歸高

• 對錯誤和離群點更加魯棒性

• 決策樹容易過度擬合的問題會隨著森林的規(guī)模而削弱

• 大數(shù)據(jù)情況下速度快(分布式)，性能好

本次實戰(zhàn)目標(biāo)為演示隨機森林的用法和調(diào)優(yōu)方法。因為集成學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)一樣，都屬于解釋性較差的黑盒模型，所以我們無需過分探究數(shù)據(jù)集中每個變量的具體含義，只需關(guān)注最后一個變量broadband即可，爭取通過如年齡，使用時長，支付情況以及流量和通話情況等變量對寬帶客戶是否會續(xù)費做出一個較準(zhǔn)確的預(yù)測。

import?pandas?as?pd
import?numpy?as?np

df?=?pd.read_csv('broadband.csv')?#?寬帶客戶數(shù)據(jù)
df.head();?df.info()

本代碼文件只為演示隨機森林的用法和調(diào)優(yōu)方法，所以數(shù)據(jù)參數(shù)我們只需關(guān)注最后一個broadband 即可0-離開，1-留存。其他自變量意思可不做探究，畢竟真實工作中的數(shù)據(jù)集也完全不一樣，首先將列名全部小寫

df.rename(str.lower,?axis='columns',?inplace=True)

現(xiàn)在查看因變量broadband分布情況，看是否存在不平衡

from?collections?import?Counter
print('Broadband:?',?Counter(df['broadband']))?
## Broadband:? Counter({0: 908, 1: 206})?比較不平衡。
##?根據(jù)原理部分，可知隨機森林是處理數(shù)據(jù)不平衡問題的利器

接著拆分測試集與訓(xùn)練集，客戶id沒有用，故丟棄cust_id,

y?=?df['broadband']?
X?=?df.iloc[:,?1:-1]?
from?sklearn.model_selection?import?train_test_split
X_train,?X_test,?y_train,?y_test?=?train_test_split(X,?y,?
????????????????????????????????????test_size=0.4,?random_state=12345)

我們先進(jìn)行完整的決策樹建模來和隨機森林進(jìn)行對比

import?sklearn.tree?as?tree

#?直接使用交叉網(wǎng)格搜索來優(yōu)化決策樹模型，邊訓(xùn)練邊優(yōu)化
from?sklearn.model_selection?import?GridSearchCV
#?網(wǎng)格搜索的參數(shù)：正常決策樹建模中的參數(shù)?-?評估指標(biāo)，樹的深度，
?##?最小拆分的葉子樣本數(shù)與樹的深度
param_grid?=?{'criterion':?['entropy',?'gini'],
?????????????'max_depth':?[2,?3,?4,?5,?6,?7,?8],
?????????????'min_samples_split':?[4,?8,?12,?16,?20,?24,?28]}?
????????????????#?通常來說，十幾層的樹已經(jīng)是比較深了

clf?=?tree.DecisionTreeClassifier()??#?定義一棵樹
clfcv?=?GridSearchCV(estimator=clf,?param_grid=param_grid,?
????????????????????????????scoring='roc_auc',?cv=4)?
????????#?傳入模型，網(wǎng)格搜索的參數(shù)，評估指標(biāo)，cv交叉驗證的次數(shù)
??????##?這里也只是定義，還沒有開始訓(xùn)練模型
??????
clfcv.fit(X=X_train,?y=y_train)

#?使用模型來對測試集進(jìn)行預(yù)測
test_est?=?clfcv.predict(X_test)

#?模型評估
import?sklearn.metrics?as?metrics

print("決策樹準(zhǔn)確度:")
print(metrics.classification_report(y_test,test_est))?
????????#?該矩陣表格其實作用不大
print("決策樹?AUC:")
fpr_test,?tpr_test,?th_test?=?metrics.roc_curve(y_test,?test_est)
print('AUC?=?%.4f'?%metrics.auc(fpr_test,?tpr_test))

AUC 大于0.5是最基本的要求，可見模型精度還是比較糟糕的，決策樹的調(diào)優(yōu)技巧就不再過多展開，我們將在隨機森林調(diào)優(yōu)部分展示

隨機森林建模一樣是使用網(wǎng)格搜索，有關(guān)Python實現(xiàn)隨機森林建模的詳細(xì)參數(shù)解釋可以看代碼的注釋

param_grid?=?{
????'criterion':['entropy','gini'],
????'max_depth':[5,?6,?7,?8],????#?深度：這里是森林中每棵決策樹的深度
????'n_estimators':[11,13,15],??#?決策樹個數(shù)-隨機森林特有參數(shù)
????'max_features':[0.3,0.4,0.5],
?????#?每棵決策樹使用的變量占比-隨機森林特有參數(shù)（結(jié)合原理）
????'min_samples_split':[4,8,12,16]??#?葉子的最小拆分樣本量
}

import?sklearn.ensemble?as?ensemble?#?ensemble?learning:?集成學(xué)習(xí)

rfc?=?ensemble.RandomForestClassifier()
rfc_cv?=?GridSearchCV(estimator=rfc,?param_grid=param_grid,
??????????????????????scoring='roc_auc',?cv=4)
rfc_cv.fit(X_train,?y_train)

#?使用隨機森林對測試集進(jìn)行預(yù)測
test_est?=?rfc_cv.predict(X_test)
print('隨機森林精確度...')
print(metrics.classification_report(test_est,?y_test))
print('隨機森林?AUC...')
fpr_test,?tpr_test,?th_test?=?metrics.roc_curve(test_est,?y_test)
?????#?構(gòu)造?roc?曲線
print('AUC?=?%.4f'?%metrics.auc(fpr_test,?tpr_test))

可以看到，模型的精度大大提升

為什么要打印梯度優(yōu)化給出的最佳參數(shù)？打印梯度優(yōu)化結(jié)果的最佳參數(shù)的目的是為了判斷這個分類模型的各種參數(shù)是否在決策邊界上，簡言之，我們不希望決策邊界限制了這個模型的效果。（通常這時候會先把復(fù)雜度放一邊）

不難發(fā)現(xiàn)，參數(shù)max_depth, min_samples_split, 和n_estimators 這三個參數(shù)的范圍設(shè)置可能有限制模型精度的可能，所以需要適當(dāng)調(diào)整

"""
{'criterion':?'gini',
?'max_depth':?8,??在最大值邊界上，所以這個參數(shù)的最大值范圍應(yīng)該再調(diào)大
?'max_features':?0.5,??也在最大值邊界上，說明這個參數(shù)的最小值范圍應(yīng)該再調(diào)大
?'min_samples_split':?4,?同理，在最小邊界上，可考慮把范圍調(diào)小
?'n_estimators':?15?同理，在最大邊界上，可以適當(dāng)調(diào)大范圍
?"""
?#?調(diào)整結(jié)果
?param_grid?=?{
????'criterion':['entropy','gini'],
????'max_depth':[7,?8,?10,?12],?
????#?前面的?5，6?也可以適當(dāng)?shù)娜サ簦凑呀?jīng)沒有用了
????'n_estimators':[11,?13,?15,?17,?19],??#決策樹個數(shù)-隨機森林特有參數(shù)
????'max_features':[0.4,?0.5,?0.6,?0.7],
?????#每棵決策樹使用的變量占比-隨機森林特有參數(shù)
????'min_samples_split':[2,?3,?4,?8,?12,?16]??#?葉子的最小拆分樣本量

現(xiàn)在來查看再次建模的結(jié)果

此時都在決策邊界內(nèi)了，但其實調(diào)整參數(shù)是門技術(shù)活，并不只是通過決策邊界這一單一指標(biāo)來調(diào)整，后續(xù)推文會陸續(xù)更新。

最后總結(jié)一下：隨機森林是集成學(xué)習(xí)中非常經(jīng)典的一種方法，基礎(chǔ)原理簡單，實現(xiàn)優(yōu)雅，可即學(xué)即用。而且隨機森林應(yīng)用十分廣泛，并不只是局限于常見的金融領(lǐng)域，只要數(shù)據(jù)不平衡或者隨機缺失嚴(yán)重，都值得嘗試。如果你也對本文使用的數(shù)據(jù)和代碼感興趣，可以在后臺回復(fù)0726獲取，我們下個案例見。

python爬蟲人工智能大數(shù)據(jù)公眾號