随机森林是集成方法中优势非常强的一种方法，它以决策树为基础学习器，每棵树独立建立，天然具有并行特性，相对于GradientBoosting和Bagging方法而言，它耗内存更大，速度也相对慢些，但能获得更稳定的结果，尤其是在与CV验证相结合时，泛化能力大大增强。
决策树基本算法随机森林算法应用随机森林
1、决策树基本算法
（1）寻找最优化分节点的办法有信息增益量和GINI系数：
①信息增益量：
ENt表示原始样本的熵，熵越大，样本越混乱，Gain为加入但变量a之后的信息增益，记加入此特征之后熵降低的数量，Gain越大，越容易作为决策树的划分节点，有时根据需要会在排名前k个节点中选取合适，并非是最优的那一个节点。
②GINI系数
GINI的含义，大概可以表示成这个意思，随机从特征a相同的样本里选取两个样本，他们两个表现不同的概率，概率越低，说明此特征越好，越具有划分度。
（2）树自由生长，会长成没一个叶节点长最多有一个样本，会造成过拟合的现象，在训练集中效果很好，测试集中表现欠佳，这时需要进行剪枝处理，可以通过设定树的深度、叶节点的最小样本数来控制，增强泛化能力。
2、随机森林
多棵决策树，他们随机在选取样本、特征，各自野蛮生长，最后再对他们的结果进行组合，
随机森林算法来源于Bagging算法，但他的表现往往由于Bagging，随着森林中树的数目增多，它的泛化能力会逐渐增强，其效果比单棵决策树要优势太多。
3、实验
使用Python中sklearn模块，生成分类数据集，并用随机森林随机选取不同数目的特征进行融合，构建随机森林分类器。
import matplotlib.pyplot as plt from collections import OrderedDict from sklearn.datasets import make_classification from sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier # Author: Kian Ho <hui.kian.ho@gmail.com> # Gilles Louppe <g.louppe@gmail.com> # Andreas Mueller <amueller@ais.uni-bonn.de> # # License: BSD 3 Clause print(__doc__) RANDOM_STATE = 123 # Generate a binary classification dataset. X, y = make_classification(n_samples=500, n_features=25, n_clusters_per_class=1, n_informative=15, random_state=RANDOM_STATE) # NOTE: Setting the `warm_start` construction parameter to `True` disables # support for parallelized ensembles but is necessary for tracking the OOB # error trajectory during training. ensemble_clfs = [ ("RandomForestClassifier, max_features='sqrt'", RandomForestClassifier(warm_start=True, oob_score=True, max_features="sqrt", random_state=RANDOM_STATE)), ("RandomForestClassifier, max_features='log2'", RandomForestClassifier(warm_start=True, max_features='log2', oob_score=True, random_state=RANDOM_STATE)), ("RandomForestClassifier, max_features=None", RandomForestClassifier(warm_start=True, max_features=None, oob_score=True, random_state=RANDOM_STATE)) ] # Map a classifier name to a list of (<n_estimators>, <error rate>) pairs. error_rate = OrderedDict((label, []) for label, _ in ensemble_clfs) # Range of `n_estimators` values to explore. min_estimators = 15 max_estimators = 175 for label, clf in ensemble_clfs: for i in range(min_estimators, max_estimators + 1): clf.set_params(n_estimators=i) clf.fit(X, y) # Record the OOB error for each `n_estimators=i` setting. oob_error = 1 - clf.oob_score_ error_rate[label].append((i, oob_error)) # Generate the "OOB error rate" vs. "n_estimators" plot. for label, clf_err in error_rate.items(): xs, ys = zip(*clf_err) plt.plot(xs, ys, label=label) plt.xlim(min_estimators, max_estimators) plt.xlabel("n_estimators") plt.ylabel("OOB error rate") plt.legend(loc="upper right") plt.show()
