随机森林（树型分类器)计算机编程设计.pptVIP

* * * 随机森林 随机森林的定义 随机森林是一个树型分类器,构建的没有剪枝的分类回归决策树；输入的是一个二维的矩阵，决定了单颗树的生长过程；森林的输出采用简单多数投票法（针对分类）或单颗树输出结果的简单平均（针对回归）得到。 妹子分类问题 计算机看不到妹子的长相，只能得到一些属性（Attributes）描述，包括：身高、体重、头部面积、头部形状、眼睛面积、头发长度、胸围、腰围、臀围…等等，那么是否能够通过这些特征判断一个妹子是不是美女。 决策树的定义 决策树是这样的一颗树: 每个内部节点上选用一个属性进行分割 每个分叉对应一个属性值 每个叶子结点代表一个分类 A1 A2 A3 c1 c2 c1 c2 c1 a11 a12 a13 a21 a22 a31 a32 决策树框架 决策树生成算法分成两个步骤 树的生成 开始，数据都在根节点 递归的进行数据分片 树的剪枝 防止过拟合 决策树使用: 对未知数据进行分割 按照决策树上采用的分割属性逐层往下，直到一个叶子节点 随机森林算法 随机选取训练样本集：使用Bagging方法形成每颗树的训练集 随机选取分裂属性集：假设共有M个属性，指定一个属性数F≤M，在每个内部结点，从M个属性中随机抽取F个属性作分裂属性集，以这F个属性上最好的分裂方式对结点进行分裂（在整个森林的生长过程中， F的值一般维持不变） 每颗树任其生长，不进行剪枝 决策树续2—分裂属性的选择度量 原则：分类效果最好的（或分类最纯的，或能使树的路径最短）的属性 常用度量 信息增益——Information gain (ID3/C4.5) 所有属性假设都是取离散值的字段（ID3） 经过修改之后可以适用于连续值字段（C4.5） 基尼指数——Gini index (Classification and Regression Tress,CART,Breiman,1984) 能够适用于离散和连续值字段 信息增益 任意样本分类的期望信息： I(s1,s2,……,sm)=－∑Pi log2(pi) (i=1..m) 其中，数据集为S，m为S的分类数目， Pi≈|Si/|S| Ci为某分类标号，Pi为任意样本属于Ci的概率， si为分类Ci上的样本数 I(s1,s2,……,sm)越小， s1,s2,……,sm就越有序（越纯），分类效果就越好。 由属性A划分为子集的熵： A为属性，具有V个不同的取值， S被A 划分为V 个子集s1,s2,……,sv，sij是子集sj中类Ci的样本数。 E(A)= ∑(s1j+ ……+smj)/s * I(s1j,……,smj) 信息增益：Gain(A)= I(s1,s2,……,sm) － E(A) 分裂属性选择规则：选择具有最大信息增益的属性为分裂属性 OOB估计 计算1（以树为单位,错误）：对每颗树，利用未被该树选中的训练样本点，统计该树的误分率；将所有树的误分率取平均得到随机森林的OOB误分率 计算2（以样本为单位，正确）：对每个样本，计算它作为OOB样本的树对它的分类情况（约1/3的树）；然后以简单多数投票作为该样本的分类结果；最后用误分个数占样本总数的比率作为随机森林的OOB误分率 OOB误分率是随机森林的泛化误差的一个无偏估计 OOB估计是高效的，其结果近似于需要大量计算的k折交叉验证。 随机森林的特点 两个随机性的引入，使得随机森林不容易陷入过拟合 两个随机性的引入，使得随机森林具有很好的抗噪声能力 对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化。 可生成一个Proximities=（pij）矩阵，用于度量样本之间的相似性： pij=aij/N, aij表示样本i和j出现在随机森林中同一个叶子结点的次数，N随机森林中树的颗数。 可以得到变量重要性排序（两种：基于OOB误分率的增加量和基于分裂时的分类节点纯度下降量） 两个重要的代码 randomForest 主要参数是ntree，mtry Predict 第一步，随机森林的安装 随机森林是基于R语言运行，安装过程分两步： 1.ubuntu系统下首先安装R语言包。????用一行代码。????sudo apt-get install R????然后ubuntu系统就自动的帮你安装完R。 2.安装random forest 意想不到的简单。? ? 打开终端 ，输入R，就算进入到了R语言的编码界面。????在大于号后面入 “install.packages(randomForest)“????然后你选择一个距离你比较近的数据源就可以了。 使用代码 library( randomForest ) data(iris) set.seed(100) ind-sample(2,n