【实践】随机森林算法参数解释及调优

上篇文章梳理了随机森林的各理论要点，本文首先详细解释了随机森林类的参数含义，并基于该类讲解了参数择优过程。

n_estimators：对原始数据集进行有放回抽样生成的子数据集个数，即决策树的个数。若n_estimators太小容易欠拟合，太大不能显著的提升模型，所以n_estimators选择适中的数值，版本0.20的默认值是10，版本0.22的默认值是100 。

bootstrp：是否对样本集进行有放回抽样来构建树，True表示是，默认值True

oob_score：是否采用袋外样本来评估模型的好坏，True代表是，默认值False，上篇文章提到袋外样本误差是测试数据集误差的无偏估计，所以推荐设置True。

RF框架的参数很少，框架参数择优一般是调节n_estimators值，即决策树个数。

max_features：构建决策树最优模型时考虑的最大特征数。默认是”auto“，表示最大特征数是N的平方根；“log2”表示最大特征数是；”sqrt”表示最大特征数是。如果是整数，代表考虑的最大特征数；如果是浮点数，表示对（N*max_features）取整。其中N表示样本的特征数。

max_depth：决策树最大深度。若等于None，表示决策树在构建最优模型的时候不会限制子树的深度。如果模型样本量多，特征也多的情况下，推荐限制最大深度；若样本量少或者特征少，则不限制最大深度。

min_samples_leaf：叶子节点含有的最少样本。若叶子节点样本数小于min_samples_leaf，则对该叶子节点和兄弟叶子节点进行剪枝，只留下该叶子节点的父节点。整数型表示个数，浮点型表示取大于等于（样本数*min_samples_leaf）的最小整数。min_samples_leaf默认值是1。

min_samples_split：节点可分的最小样本数，默认值是2。整数型和浮点型的含义与min_samples_leaf类似。

max_leaf_nodes：最大叶子节点数。int设置节点数，None表示对叶子节点数没有限制。

min_impurity_decrease：节点划分的最小不纯度。假设不纯度用信息增益表示，若某节点划分时的信息增益大于等于min_impurity_decrease，那么该节点还可以再划分；反之，则不能划分。

criterion：表示节点的划分标准。不纯度标准参考Gini指数，信息增益标准参考”entrop”熵。

min_samples_leaf：叶子节点最小的样本权重和。叶子节点如果小于这个值，则会和兄弟节点一起被剪枝，只保留该叶子节点的父节点。默认是0，则不考虑样本权重问题。一般来说，如果有较多样本的缺失值或偏差很大，则尝试设置该参数值。

RF参数择优思想：RF模型可以理解成决策树模型嵌入到bagging框架，因此，我们首先对外层的bagging框架进行参数择优，然后再对内层的决策树模型进行参数择优。在优化某一参数时，需要把其他参数设置为常数。

（1）训练数据集下载：

make_classification构建样本数1000和特征数50的二分类数据 。

所有参数都采用默认值，查看分类情况：

准确率为：

（2）对外层的bagging框架进行参数择优，即对n_estimators参数择优，其他参数仍然是默认值。

n_esimators参数择优的范围是：1~101，步长为10。十折交叉验证率选择最优n_estimators 。

输出结果：

因此，最佳的子决策树个数是81，准确率98.61%，相比默认参数的82.3%有较大的提高。

（3）优化决策树参数的最大特征数max_features，其他参数设置为常数，且n_estimators为81。

max_features参数择优的范围：1~11，步长为1，十折交叉验证率选择最优max_features 。

结果：

因此，选择最佳的最大特征数为6，准确率为98.63%，相比默认的最大特征数，准确率有一个非常小的提高。决策树的其他最优参数也是按照类似的步骤去搜寻，这里就不一一介绍了。

（4）用最优参数重新训练数据，计算泛化误差：

泛化误差：

随机森林模型优化主要是考虑如何选择子数据集个数（n_estimators）和最大特征个数（max_features），参数优化顺序可参考下图：

首先增大n_estimators，提高模型的拟合能力，当模型的拟合能力没有明显提升的时候，则再增大n_estimaors，提高每个子模型的拟合能力，则相应的提高了模型的拟合能力。上节的参数调优是比较常用的一种参数调优方法，可应用到其他模型的参数优化过程。