文章目录
- 在开始学习之前，先导入我们需要的库。
import numpy as np import pandas as pd import sklearn import matplotlib as mlp import seaborn as sns import re, pip, conda import matplotlib.pyplot as plt from sklearn.ensemble import RandomForestRegressor as RFR from sklearn.tree import DecisionTreeRegressor as DTR from sklearn.model_selection import cross_validate, KFold
一、集成算法的参数空间与网格优化
如随机森林中所展示的，集成算法的超参数种类繁多、取值丰富，且参数之间会相互影响、共同作用于算法的最终结果，因此集成算法的调参是一个难度很高的过程。
在超参数优化还未盛行的时候，随机森林的调参是基于方差-偏差理论（variance-bias trade-off）和学习曲线完成的，而现在我们可以依赖于网格搜索来完成自动优化。在对任意算法进行网格搜索时，我们需要明确两个基本事实：
（1） 参数对算法结果的影响力大小。
（2） 用于进行搜索的参数空间。
对随机森林来说，我们可以大致如下排列各个参数对算法的影响：
随机森林在剪枝方面的空间总是很大的，因为默认参数下树的结构基本没有被影响（也就是几乎没有剪枝），因此当随机森林过拟合的时候，我们可以尝试粗、精、随机等各种方式来影响随机森林。通常在网格搜索当中，我们会考虑所有有巨大影响力的参数、以及 1、2 个影响力不明显的参数。
虽然随机森林调参的空间较大，大部分人在调参过程中依然难以突破，因为树的集成模型的参数空间非常难以确定。当没有数据支撑时，人们很难通过感觉或经验来找到正确的参数范围。
举例来说，我们也很难直接判断究竟多少棵树对于当前的模型最有效，同时，我们也很难判断不剪枝时一棵决策树究竟有多深、有多少叶子、或者一片叶子上究竟有多少个样本，更不要谈凭经验判断树模型整体的不纯度情况了。
可以说，当森林建好之后，我们简直是对森林一无所知。对于网格搜索来说，新增一个潜在的参数可选值，计算量就会指数级增长，因此找到有效的参数空间非常重要。此时我们就要引入两个工具来帮助我们：
（1） 学习曲线。
（2） 决策树对象 Tree 的属性。
1. 学习曲线
学习曲线是以参数的不同取值为横坐标，模型的结果为纵坐标的曲线。当模型的参数较少、且参数之间的相互作用较小时，我们可以直接使用学习曲线进行调参。
但对于集成算法来说，学习曲线更多是我们探索参数与模型关系的关键手段。许多参数对模型的影响是确定且单调的，例如 n_estimators，树越多模型的学习能力越强，再比如 ccp_alpha，该参数值越大模型抗过拟合能力越强，因此我们可能通过学习曲线找到这些参数对模型影响的极限。
我们会围绕这些极限点来构筑我们的参数空间。
我们先来看看 n_estimators 的学习曲线：
#参数潜在取值，由于现在我们只调整一个参数，因此参数的范围可以取大一些、取值也可以更密集 Option = [1,*range(5,101,5)] #生成保存模型结果的arrays trainRMSE = np.array([]) testRMSE = np.array([]) trainSTD = np.array([]) testSTD = np.array([]) #在参数取值中进行循环 for n_estimators in Option: #按照当下的参数，实例化模型 reg_f = RFR(n_estimators=n_estimators,random_state=1412) #实例化交叉验证方式，输出交叉验证结果 cv = KFold(n_splits=5,shuffle=True,random_state=1412) result_f = cross_validate(reg_f,X,y,cv=cv,scoring="neg_mean_squared_error" ,return_train_score=True ,n_jobs=-1) #根据输出的MSE进行RMSE计算 train = abs(result_f["train_score"])**0.5 test = abs(result_f["test_score"])**0.5 #将本次交叉验证中RMSE的均值、标准差添加到arrays中进行保存 trainRMSE = np.append(trainRMSE,train.mean()) #效果越好 testRMSE = np.append(testRMSE,test.mean()) trainSTD = np.append(trainSTD,train.std()) #模型越稳定 testSTD = np.append(testSTD,test.std()) def plotCVresult(Option,trainRMSE,testRMSE,trainSTD,testSTD): #一次交叉验证下，RMSE的均值与std的绘图 xaxis = Option plt.figure(figsize=(8,6),dpi=80) #RMSE plt.plot(xaxis,trainRMSE,color="k",label = "RandomForestTrain") plt.plot(xaxis,testRMSE,color="red",label = "RandomForestTest") #标准差 - 围绕在RMSE旁形成一个区间 plt.plot(xaxis,trainRMSE+trainSTD,color="k",linestyle="dotted") plt.plot(xaxis,trainRMSE-trainSTD,color="k",linestyle="dotted") plt.plot(xaxis,testRMSE+testSTD,color="red",linestyle="dotted") plt.plot(xaxis,testRMSE-testSTD,color="red",linestyle="dotted") plt.xticks([*xaxis]) plt.legend(loc=1) plt.show() plotCVresult(Option,trainRMSE,testRMSE,trainSTD,testSTD)
当绘制学习曲线时，我们可以很容易找到泛化误差开始上升、或转变为平稳趋势的转折点。因此我们可以选择转折点或转折点附近的 n_estimators 取值，例如 20。然而，n_estimators 会受到其他参数的影响，例如：
（1） 单棵决策树的结构更简单时（依赖剪枝时），可能需要更多的树。
（2） 单棵决策树训练的数据更简单时（依赖随机性时），可能需要更多的树。
因此 n_estimators 的参数空间可以被确定为 range(20,100,5)，如果你比较保守，甚至可以确认为是 range(15,25,5)。
2. 决策树对象 Tree
在 sklearn 中，树模型是单独的一类对象，每个树模型背后都有一套完整的属性供我们调用，包括树的结构、树的规模等众多细节。在之前的课程中，我们曾经使用过树模型的绘图功能 plot_tree，除此之外树还有许多有用的属性。随机森林是树组成的算法，因此也可以调用这些属性。我们来举例说明：
reg_f = RFR(n_estimators=10,random_state=1412) reg_f = reg_f.fit(X,y) #训练一个随机森林
- 属性
.estimators_可以查看森林中所有的树。
reg_f.estimators_ #一片随机森林中所有的树 #[DecisionTreeRegressor(max_features='auto', random_state=1630984966), # DecisionTreeRegressor(max_features='auto', random_state=472863509), # DecisionTreeRegressor(max_features='auto', random_state=1082704530), # DecisionTreeRegressor(max_features='auto', random_state=1930362544), # DecisionTreeRegressor(max_features='auto', random_state=273973624), # DecisionTreeRegressor(max_features='auto', random_state=21991934), # DecisionTreeRegressor(max_features='auto', random_state=1886585710), # DecisionTreeRegressor(max_features='auto', random_state=63725675), # DecisionTreeRegressor(max_features='auto', random_state=1374343434), # DecisionTreeRegressor(max_features='auto', random_state=1078007175)] #可以用索引单独提取一棵树 reg_f.estimators_[0] #DecisionTreeRegressor(max_features='auto', random_state=1630984966) #调用这棵树的底层结构 reg_f.estimators_[0].tree_ #<sklearn.tree._tree.Tree at 0x1c070d8e340>
- 属性
.max_depth可以查看当前树的实际深度。
reg_f.estimators_[0].tree_.max_depth #max_depth=None #19 #对森林中所有树查看实际深度 for t in reg_f.estimators_: print(t.tree_.max_depth) #19 #25 #27 #20 #23 #22 #22 #20 #22 #24 #如果树的数量较多，也可以查看平均或分布 reg_f = RFR(n_estimators=100,random_state=1412) reg_f = reg_f.fit(X,y) #训练一个随机森林 d = pd.Series([],dtype="int64") for idx,t in enumerate(reg_f.estimators_): d[idx] = t.tree_.max_depth d.mean() #22.25 d.describe() #count 100.000000 #mean 22.250000 #std 1.955954 #min 19.000000 #25% 21.000000 #50% 22.000000 #75% 23.000000 #max 30.000000 #dtype: float64 reg
- 假设现在你的随机森林过拟合，max_depth 的最大深度范围设置在 [15,25] 之间就会比较有效，如果我们希望激烈地剪枝，则可以设置在 [10,15] 之间。
- 相似的，我们也可以调用其他属性来辅助我们调参：
#一棵树上的总叶子量 #reg_f.estimators_[0].tree_.node_count 1807 #所有树上的总叶子量 for t in reg_f.estimators_: print(t.tree_.node_count) #1807 #1777 #1763 #1821 #1777 #1781 #1811 #1771 #1753 #1779
根据经验，当决策树不减枝且在训练集上的预测结果不错时，一棵树上的叶子量常常与样本量相当或比样本量更多，算法结果越糟糕，叶子量越少，如果 RMSE 很高或者 R2 很低，则可以考虑使用样本量的一半或 3/4 作为不减枝时的叶子量的参考。
#每个节点上的不纯度下降量，为-2则表示该节点是叶子节点 reg_f.estimators_[0].tree_.threshold.tolist()[:20] #[6.5, # 5.5, # 327.0, # 214.0, # 0.5, # 1.0, # 104.0, # 0.5, # -2.0, # -2.0, # -2.0, # 105.5, # 28.5, # 0.5, # 1.5, # -2.0, # -2.0, # 11.0, # 1212.5, # 2.5] #你怎么知道min_impurity_decrease的范围设置多少会剪掉多少叶子？ pd.Series(reg_f.estimators_[0].tree_.threshold).value_counts().sort_index() #-2.0 904 # 0.5 43 # 1.0 32 # 1.5 56 # 2.0 32 # ... # 1118.5 1 # 1162.5 1 # 1212.5 2 # 1254.5 1 # 1335.5 1 #Length: 413, dtype: int64 pd.set_option("display.max_rows",None) np.cumsum(pd.Series(reg_f.estimators_[0].tree_.threshold).value_counts().sort_index()[1:])
- 从这棵树反馈的结果来看，min_impurity_decrease 在现在的数据集上至少要设置到 [2,10] 的范围才可能对模型有较大的影响。
#min_sample_split的范围要如何设置才会剪掉很多叶子？ np.bincount(reg_f.estimators_[0].tree_.n_node_samples.tolist())[:10] #array([ 0, 879, 321, 154, 86, 52, 42, 38, 29, 18], dtype=int64)
- 更多属性可以参考：
from sklearn.tree._tree import Tree type(Tree) #type help(Tree)
二、使用网格搜索在随机森林上进行调参
现在模型正处于过拟合的状态，需要抗过拟合，且整体数据量不是非常多，随机抽样的比例不宜减小，因此我们挑选以下五个参数进行搜索：n_estimators，max_depth，max_features，min_impurity_decrease，criterion。
import numpy as np import pandas as pd import sklearn import matplotlib as mlp import matplotlib.pyplot as plt import time #计时模块time from sklearn.ensemble import RandomForestRegressor as RFR from sklearn.model_selection import cross_validate, KFold, GridSearchCV def RMSE(cvresult,key): return (abs(cvresult[key])**0.5).mean() data = pd.read_csv(r"D:\Pythonwork\2021ML\PART 2 Ensembles\datasets\House Price\train_encode.csv",index_col=0) X = data.iloc[:,:-1] y = data.iloc[:,-1] X.shape #(1460, 80) X.head() #Id 住宅类型 住宅区域 街道接触面积(英尺) 住宅面积 街道路面状况 巷子路面状况 住宅形状(大概) 住宅现状 水电气 ... 半开放式门廊面积 泳池面积 泳池质量 篱笆质量 其他配置 其他配置的价值 销售月份 销售年份 销售类型 销售状态 #0 0.0 5.0 3.0 36.0 327.0 1.0 0.0 3.0 3.0 0.0 ... 0.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 8.0 4.0 #1 1.0 0.0 3.0 51.0 498.0 1.0 0.0 3.0 3.0 0.0 ... 0.0 0.0 0.0 0.0 0.0 0.0 4.0 1.0 8.0 4.0 #2 2.0 5.0 3.0 39.0 702.0 1.0 0.0 0.0 3.0 0.0 ... 0.0 0.0 0.0 0.0 0.0 0.0 8.0 2.0 8.0 4.0 #3 3.0 6.0 3.0 31.0 489.0 1.0 0.0 0.0 3.0 0.0 ... 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 8.0 0.0 #4 4.0 5.0 3.0 55.0 925.0 1.0 0.0 0.0 3.0 0.0 ... 0.0 0.0 0.0 0.0 0.0 0.0 11.0 2.0 8.0 #4.0 #5 rows × 80 columns
1. 建立 benchmark
reg = RFR(random_state=1412) cv = KFold(n_splits=5,shuffle=True,random_state=1412) result_pre_adjusted = cross_validate(reg,X,y,cv=cv,scoring="neg_mean_squared_error" ,return_train_score=True ,verbose=True ,n_jobs=-1) #[Parallel(n_jobs=-1)]: Using backend LokyBackend with 16 concurrent workers. #[Parallel(n_jobs=-1)]: Done 5 out of 5 | elapsed: 1.1s finished RMSE(result_pre_adjusted,"train_score") #11177.272008319653 RMSE(result_pre_adjusted,"test_score") #30571.26665524217
2. 创建参数空间
param_grid_simple = {"criterion": ["squared_error","poisson"] , 'n_estimators': [*range(20,100,5)] , 'max_depth': [*range(10,25,2)] , "max_features": ["log2","sqrt",16,32,64,"auto"] , "min_impurity_decrease": [*np.arange(0,5,10)] }
3. 实例化用于搜索的评估器、交叉验证评估器与网格搜索评估器
#n_jobs=4/8,verbose=True reg = RFR(random_state=1412,verbose=True,n_jobs=-1) cv = KFold(n_splits=5,shuffle=True,random_state=1412) search = GridSearchCV(estimator=reg ,param_grid=param_grid_simple ,scoring = "neg_mean_squared_error" ,verbose = True ,cv = cv ,n_jobs=-1)
4. 训练网格搜索评估器
#=====【TIME WARNING: 7mins】=====# start = time.time() search.fit(X,y) print(time.time() - start) #Fitting 5 folds for each of 1536 candidates, totalling 7680 fits #381.6039867401123 #[Parallel(n_jobs=-1)]: Using backend ThreadingBackend with 16 concurrent workers. #[Parallel(n_jobs=-1)]: Done 18 tasks | elapsed: 0.0s #[Parallel(n_jobs=-1)]: Done 85 out of 85 | elapsed: 0.0s finished
5. 查看结果
search.best_estimator_ #RandomForestRegressor(max_depth=23, max_features=16, min_impurity_decrease=0, # n_estimators=85, n_jobs=-1, random_state=1412, # verbose=True) abs(search.best_score_)**0.5 #29179.698261599166 ad_reg = RFR(n_estimators=85, max_depth=23, max_features=16, random_state=1412) cv = KFold(n_splits=5,shuffle=True,random_state=1412) result_post_adjusted = cross_validate(ad_reg,X,y,cv=cv,scoring="neg_mean_squared_error" ,return_train_score=True ,verbose=True ,n_jobs=-1) #[Parallel(n_jobs=-1)]: Using backend LokyBackend with 16 concurrent workers. #[Parallel(n_jobs=-1)]: Done 5 out of 5 | elapsed: 0.2s finished RMSE(result_post_adjusted,"train_score") #11000.81099038192 RMSE(result_post_adjusted,"test_score") #28572.070208366855 #默认值下随机森林的RMSE xaxis = range(1,6) plt.figure(figsize=(8,6),dpi=80) #RMSE plt.plot(xaxis,abs(result_pre_adjusted["train_score"])**0.5,color="green",label = "RF_pre_ad_Train") plt.plot(xaxis,abs(result_pre_adjusted["test_score"])**0.5,color="green",linestyle="--",label = "RF_pre_ad_Test") plt.plot(xaxis,abs(result_post_adjusted["train_score"])**0.5,color="orange",label = "RF_post_ad_Train") plt.plot(xaxis,abs(result_post_adjusted["test_score"])**0.5,color="orange",linestyle="--",label = "RF_post_ad_Test") plt.xticks([1,2,3,4,5]) plt.xlabel("CVcounts",fontsize=16) plt.ylabel("RMSE",fontsize=16) plt.legend() plt.show()
不难发现，网格搜索之后的模型过拟合程度减轻，且在训练集与测试集上的结果都有提高，可以说从根本上提升了模型的基础能力。我们还可以根据网格的结果继续尝试进行其他调整，来进一步降低模型在测试集上的 RMSE。
