Python sklearn RandomForestRegressor用法及代码示例

本文简要介绍python语言中 sklearn.ensemble.RandomForestRegressor 的用法。

用法:

class sklearn.ensemble.RandomForestRegressor(n_estimators=100, *, criterion='squared_error', 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, bootstrap=True, oob_score=False, n_jobs=None, random_state=None, verbose=0, warm_start=False, ccp_alpha=0.0, max_samples=None)

一个随机森林回归器。

随机森林是一种元估计器，它在数据集的各种 sub-samples 上拟合多个分类决策树，并使用平均来提高预测准确性并控制过度拟合。如果 bootstrap=True(默认)，则子样本大小由 max_samples 参数控制，否则使用整个数据集来构建每棵树。

在用户指南中阅读更多信息。

参数：

n_estimators：整数，默认=100

森林中的树数量。

criterion：{“squared_error”, “absolute_error”, “poisson”}，默认=”squared_error”

测量分割质量的函数。支持的标准是用于均方误差的“squared_error”，它等于作为特征选择标准的方差减少，用于平均绝对误差的“absolute_error”，以及使用泊松偏差减少来寻找分裂的“poisson”。使用 “absolute_error” 进行训练比使用 “squared_error” 时要慢得多。

max_depth：整数，默认=无

树的最大深度。如果没有，则扩展节点直到所有叶子都是纯的或直到所有叶子包含少于min_samples_split 个样本。

min_samples_split：int 或浮点数，默认=2

拆分内部节点所需的最小样本数：

• 如果是 int，则将 min_samples_split 视为最小数字。
• 如果是浮点数，那么 min_samples_split 是一个分数，而 ceil(min_samples_split * n_samples) 是每个拆分的最小样本数。

min_samples_leaf：int 或浮点数，默认=1

叶节点所需的最小样本数。只有在左右分支中的每个分支中至少留下min_samples_leaf 训练样本时，才会考虑任何深度的分割点。这可能具有平滑模型的效果，尤其是在回归中。

• 如果是 int，则将 min_samples_leaf 视为最小数字。
• 如果是浮点数，那么 min_samples_leaf 是分数，而 ceil(min_samples_leaf * n_samples) 是每个节点的最小样本数。

min_weight_fraction_leaf：浮点数，默认=0.0

需要在叶节点处的权重总和(所有输入样本的)的最小加权分数。当未提供sample_weight 时，样本具有相同的权重。

max_features：{“auto”, “sqrt”, “log2”}, int 或浮点数，默认=”auto”

寻找最佳分割时要考虑的特征数量：

• 如果是 int，则在每次拆分时考虑 max_features 特征。
• 如果是浮点数，那么 max_features 是一个分数，并且在每次拆分时都会考虑 round(max_features * n_features) 特征。
• 如果 “auto”，那么 max_features=n_features 。
• 如果 “sqrt”，那么 max_features=sqrt(n_features) 。
• 如果 “log2”，那么 max_features=log2(n_features) 。
• 如果没有，那么 max_features=n_features 。

注意：在找到至少一个节点样本的有效分区之前，对拆分的搜索不会停止，即使它需要有效地检查超过 max_features 的特征。

max_leaf_nodes：整数，默认=无

以best-first 方式用max_leaf_nodes 种植树。最佳节点定义为杂质的相对减少。如果 None 则无限数量的叶节点。

min_impurity_decrease：浮点数，默认=0.0

如果该分裂导致杂质减少大于或等于该值，则该节点将被分裂。

加权杂质减少方程如下：

N_t / N * (impurity - N_t_R / N_t * right_impurity
                    - N_t_L / N_t * left_impurity)

其中N是样本总数，N_t是当前节点的样本数，N_t_L是左孩子的样本数，N_t_R是右孩子的样本数.

N , N_t , N_t_R 和 N_t_L 都是指加权和，如果通过了 sample_weight。

bootstrap：布尔，默认=真

构建树时是否使用引导样本。如果为 False，则使用整个数据集来构建每棵树。

oob_score：布尔，默认=假

是否使用out-of-bag 个样本来估计泛化分数。仅当 bootstrap=True 时可用。

n_jobs：整数，默认=无

并行运行的作业数量。 fit 、 predict 、 decision_path 和 apply 都在树上并行化。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关更多详细信息，请参阅术语表。

random_state：int、RandomState 实例或无，默认=无

控制构建树时使用的样本引导的随机性(如果 bootstrap=True )和在每个节点寻找最佳分割时要考虑的特征采样(如果 max_features < n_features )。有关详细信息，请参阅词汇表。

verbose：整数，默认=0

控制拟合和预测时的详细程度。

warm_start：布尔，默认=假

当设置为 True 时，重用上一次调用的解决方案以适应并向集成添加更多估计器，否则，只需适应一个全新的森林。请参阅词汇表。

ccp_alpha：非负浮点数，默认=0.0

用于最小Cost-Complexity 修剪的复杂度参数。将选择具有最大成本复杂度且小于ccp_alpha 的子树。默认情况下，不进行剪枝。有关详细信息，请参阅最小 Cost-Complexity 修剪。

max_samples：int 或浮点数，默认=无

如果 bootstrap 为 True，则从 X 抽取的样本数以训练每个基本估计器。

• 如果无(默认)，则绘制 X.shape[0] 样本。
• 如果是 int，则绘制 max_samples 样本。
• 如果浮点数，则绘制 max_samples * X.shape[0] 样本。因此，max_samples 应该在区间 (0.0, 1.0] 中。

属性：

base_estimator_：DecisionTreeRegressor

用于创建拟合sub-estimators 集合的子估计器模板。

estimators_：DecisionTreeRegressor列表

拟合sub-estimators 的集合。

feature_importances_ndarray 形状 (n_features,)

基于杂质的特征重要性。

n_features_int

已弃用：属性 n_features_ 在版本 1.0 中已弃用，并将在 1.2 中删除。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

n_outputs_：int

执行fit 时的输出数。

oob_score_：浮点数

使用out-of-bag 估计获得的训练数据集的分数。此属性仅在oob_score 为 True 时存在。

oob_prediction_：ndarray 形状 (n_samples,) 或 (n_samples, n_outputs)

使用 out-of-bag 估计在训练集上计算的预测。此属性仅在oob_score 为 True 时存在。

注意：

控制树大小的参数的默认值(例如 max_depth 、 min_samples_leaf 等)会导致完全生长和未修剪的树在某些数据集上可能非常大。为了减少内存消耗，应该通过设置这些参数值来控制树的复杂性和大小。

每次拆分时，特征总是随机排列。因此，即使使用相同的训练数据 max_features=n_features 和 bootstrap=False ，如果在搜索最佳拆分期间枚举的几个拆分的标准改进相同，则找到的最佳拆分可能会有所不同。要在拟合期间获得确定性行为，必须修复 random_state。

默认值 max_features="auto" 使用 n_features 而不是 n_features / 3 。后者最初是在 [1] 中提出的，而前者最近在 [2] 中被经验证明是合理的。

参考：

1

12. Breiman，“Random Forests”，机器学习，45(1)，5-32，2001。

2

P. Geurts、D. Ernst. 和 L. Wehenkel，“Extremely randomized trees”，机器学习，63(1)，3-42，2006。

例子：

>>> from sklearn.ensemble import RandomForestRegressor
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=4, n_informative=2,
...                        random_state=0, shuffle=False)
>>> regr = RandomForestRegressor(max_depth=2, random_state=0)
>>> regr.fit(X, y)
RandomForestRegressor(...)
>>> print(regr.predict([[0, 0, 0, 0]]))
[-8.32987858]