Python sklearn RandomForestRegressor用法及代碼示例

本文簡要介紹python語言中 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)

一個隨機森林回歸器。

隨機森林是一種元估計器，它在數據集的各種 sub-samples 上擬合多個分類決策樹，並使用平均來提高預測準確性並控製過度擬合。如果 bootstrap=True(默認)，則子樣本大小由 max_samples 參數控製，否則使用整個數據集來構建每棵樹。

在用戶指南中閱讀更多信息。

參數：

n_estimators：整數，默認=100

森林中的樹數量。

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

測量分割質量的函數。支持的標準是用於均方誤差的“squared_error”，它等於作為特征選擇標準的方差減少，用於平均絕對誤差的“absolute_error”，以及使用泊鬆偏差減少來尋找分裂的“poisson”。使用 “absolute_error” 進行訓練比使用 “squared_error” 時要慢得多。

max_depth：整數，默認=無

樹的最大深度。如果沒有，則擴展節點直到所有葉子都是純的或直到所有葉子包含少於min_samples_split 個樣本。

min_samples_split：int 或浮點數，默認=2

拆分內部節點所需的最小樣本數：

• 如果是 int，則將 min_samples_split 視為最小數字。
• 如果是浮點數，那麽 min_samples_split 是一個分數，而 ceil(min_samples_split * n_samples) 是每個拆分的最小樣本數。

min_samples_leaf：int 或浮點數，默認=1

葉節點所需的最小樣本數。隻有在左右分支中的每個分支中至少留下min_samples_leaf 訓練樣本時，才會考慮任何深度的分割點。這可能具有平滑模型的效果，尤其是在回歸中。

• 如果是 int，則將 min_samples_leaf 視為最小數字。
• 如果是浮點數，那麽 min_samples_leaf 是分數，而 ceil(min_samples_leaf * n_samples) 是每個節點的最小樣本數。

min_weight_fraction_leaf：浮點數，默認=0.0

需要在葉節點處的權重總和(所有輸入樣本的)的最小加權分數。當未提供sample_weight 時，樣本具有相同的權重。

max_features：{“auto”, “sqrt”, “log2”}, int 或浮點數，默認=”auto”

尋找最佳分割時要考慮的特征數量：

• 如果是 int，則在每次拆分時考慮 max_features 特征。
• 如果是浮點數，那麽 max_features 是一個分數，並且在每次拆分時都會考慮 round(max_features * n_features) 特征。
• 如果 “auto”，那麽 max_features=n_features 。
• 如果 “sqrt”，那麽 max_features=sqrt(n_features) 。
• 如果 “log2”，那麽 max_features=log2(n_features) 。
• 如果沒有，那麽 max_features=n_features 。

注意：在找到至少一個節點樣本的有效分區之前，對拆分的搜索不會停止，即使它需要有效地檢查超過 max_features 的特征。

max_leaf_nodes：整數，默認=無

以best-first 方式用max_leaf_nodes 種植樹。最佳節點定義為雜質的相對減少。如果 None 則無限數量的葉節點。

min_impurity_decrease：浮點數，默認=0.0

如果該分裂導致雜質減少大於或等於該值，則該節點將被分裂。

加權雜質減少方程如下：

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

其中N是樣本總數，N_t是當前節點的樣本數，N_t_L是左孩子的樣本數，N_t_R是右孩子的樣本數.

N , N_t , N_t_R 和 N_t_L 都是指加權和，如果通過了 sample_weight。

bootstrap：布爾，默認=真

構建樹時是否使用引導樣本。如果為 False，則使用整個數據集來構建每棵樹。

oob_score：布爾，默認=假

是否使用out-of-bag 個樣本來估計泛化分數。僅當 bootstrap=True 時可用。

n_jobs：整數，默認=無

並行運行的作業數量。 fit 、 predict 、 decision_path 和 apply 都在樹上並行化。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關更多詳細信息，請參閱術語表。

random_state：int、RandomState 實例或無，默認=無

控製構建樹時使用的樣本引導的隨機性(如果 bootstrap=True )和在每個節點尋找最佳分割時要考慮的特征采樣(如果 max_features < n_features )。有關詳細信息，請參閱詞匯表。

verbose：整數，默認=0

控製擬合和預測時的詳細程度。

warm_start：布爾，默認=假

當設置為 True 時，重用上一次調用的解決方案以適應並向集成添加更多估計器，否則，隻需適應一個全新的森林。請參閱詞匯表。

ccp_alpha：非負浮點數，默認=0.0

用於最小Cost-Complexity 修剪的複雜度參數。將選擇具有最大成本複雜度且小於ccp_alpha 的子樹。默認情況下，不進行剪枝。有關詳細信息，請參閱最小 Cost-Complexity 修剪。

max_samples：int 或浮點數，默認=無

如果 bootstrap 為 True，則從 X 抽取的樣本數以訓練每個基本估計器。

• 如果無(默認)，則繪製 X.shape[0] 樣本。
• 如果是 int，則繪製 max_samples 樣本。
• 如果浮點數，則繪製 max_samples * X.shape[0] 樣本。因此，max_samples 應該在區間 (0.0, 1.0] 中。

屬性：

base_estimator_：DecisionTreeRegressor

用於創建擬合sub-estimators 集合的子估計器模板。

estimators_：DecisionTreeRegressor列表

擬合sub-estimators 的集合。

feature_importances_ndarray 形狀 (n_features,)

基於雜質的特征重要性。

n_features_int

已棄用：屬性 n_features_ 在版本 1.0 中已棄用，並將在 1.2 中刪除。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

n_outputs_：int

執行fit 時的輸出數。

oob_score_：浮點數

使用out-of-bag 估計獲得的訓練數據集的分數。此屬性僅在oob_score 為 True 時存在。

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

使用 out-of-bag 估計在訓練集上計算的預測。此屬性僅在oob_score 為 True 時存在。

注意：

控製樹大小的參數的默認值(例如 max_depth 、 min_samples_leaf 等)會導致完全生長和未修剪的樹在某些數據集上可能非常大。為了減少內存消耗，應該通過設置這些參數值來控製樹的複雜性和大小。

每次拆分時，特征總是隨機排列。因此，即使使用相同的訓練數據 max_features=n_features 和 bootstrap=False ，如果在搜索最佳拆分期間枚舉的幾個拆分的標準改進相同，則找到的最佳拆分可能會有所不同。要在擬合期間獲得確定性行為，必須修複 random_state。

默認值 max_features="auto" 使用 n_features 而不是 n_features / 3 。後者最初是在 [1] 中提出的，而前者最近在 [2] 中被經驗證明是合理的。

參考：

1

12. Breiman，“Random Forests”，機器學習，45(1)，5-32，2001。

2

P. Geurts、D. Ernst. 和 L. Wehenkel，“Extremely randomized trees”，機器學習，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]