本文目的
当前spark（1.3版）随机森林实现，没有包括OOB错误评估和变量权重计算。而这两个功能在实际工作中比较常用。OOB错误评估可以代替交叉检验，评估模型整体结果，避免交叉检验带来的计算开销。现在的数据集，变量动辄成百上千，变量权重有助于变量过滤，去掉无用变量，提高计算效率，同时也可以帮助理解业务。所以，本人在原始代码基础上，扩展了这两个功能，下面记录实现过程，作为备忘录（参考代码）。
整体思路
Random Forest实现中，大多数内部对象是私有（private[tree]）的，所以扩展代码使用了org.apache.spark.mllib.tree的命名空间，复用这些内部对象。实现过程中，需要放回抽样数据，Random Forest的原始实现是放在局部变量baggedInput中，外部无法访问，所以扩展代码必须冗余部分原始代码，用于访问baggedInput变量。原始实现中，会先将LabeledPoint转成装箱对象TreePoint，但是在计算OOB时，需要LabeledPoint，所以需要实现TreePoint到LabeledPoint的转换逻辑。对于连续变量，取每个箱的中间值作为反转后的结果；离散变量不需要做修改。当然为什么取中间值，为什么取三分之一或其他什么地方？因为在装箱过程中，数据的分布信息已丢失，所以取0.5是一个可以接受的选择。
OOB错误评估
原理
OOB是Out-Of-Bag的缩写，顾名思义，使用那些out of bag的数据进行错误度量。随机森林在训练开始时，会根据树的数量n，进行n次有放回采样，用于训练每一棵树。放回采样，必然导致一部分数据被选中，另外一部分数据没有选中，选中了就放到bag中，没有选中的就是out of bag。平均而言，每次放回采用中，37%的数据不会被选中，详细推导见附录【Out Of Bag概率】。这些没有选中的数据不参与建模，所以可以作为验证数据，评估模型效果。对于每一条记录，若参与了m棵树的建模，则n-m树没有参与建模，那么就可以将这剩下的n-m棵树作为子森林，进行分类验证，列子如下：
Tree 1 |
Tree 2 |
Tree 3 |
Tree 4 |
Tree 5 |
Tree 6 |
Tree 7 |
|
Data 1 |
* |
* |
* |
||||
Data 2 |
* |
* |
* |
* |
|||
Data 3 |
* |
* |
* |
||||
Data 4 |
* |
* |
* |
* |
|||
Data 5 |
* |
* |
* |
上面的表格中，每行表示一个记录，每列表示一颗树，"*"表示该记录参与了某棵树的建模。对于Data 1，参与了Tree 2,4,6的建模过程，那么可选取Tree 3,5,7作为子随机森林模型，并计算Data 1的分类结果。
实现
上面提到了OOB的原理和评估方法，下面介绍如何实现，
private def computeOobError( strategy: Strategy, baggedInput: RDD[BaggedPoint[TreePoint]], bins: EnhancedRandomForest.BinList, forest: RandomForestModel): Double = {
val actualPredictPair = baggedInput .map(x => { val labeledPoint = EnhancedTreePoint.treePointToLabeledPoint( x.datum, bins, strategy) (x.subsampleWeights.zipWithIndex.filter(_._1 == 0) .map(_._2).map(index => forest.trees(index)), labeledPoint) }) .filter(_._1.size > 0) // 过滤掉无树的森林 .map({ case (oobTrees, labeledPoint) => { val subForest = new RandomForestModel(strategy.algo, oobTrees) (labeledPoint.label, subForest.predict(labeledPoint.features)) } })
val totalCount = actualPredictPair.count assert(totalCount > 0, s"OOB error measure: data number is zeror") strategy.algo match { case Regression => actualPredictPair.map(x => Math.pow(x._1 - x._2, 2)).reduce(_ + _) / totalCount case Classification => actualPredictPair.filter(x => x._1 != x._2).count.toDouble / totalCount }
} |
上面函数截取了oob实现的主逻辑，baggedInput是一个特殊的数据结构，用于记录每一条记录选中的信息。比如需要建立10棵树，那么bagged有10列，每一列记录了在当前这棵树，该记录被选中了几次。所以，使用0标示那些没有选中的记录。得到了那些当前数据没有参与建模的树后，构建字随机森林模型并预测结果，最后通过真实数据与预测数据，计算OOB错误评估。对于回归问题，使用平方错误；分类问题，使用错误率。当然，错误的评估方式，后面还可以扩展。
变量重要性
原理
如何描述变量重要性，一种直观的理解是变量越重要，如果混淆它，那么模型效果会越差。混淆处理有几种方案，比如根据某种随机分布，加减随机值，或者随机填充值。但是需要额外的参数，并且会影响原有的数据分布。所以，采取随机排序混淆变量，这样不会改变原始的数据分布，也不需要而外的参数。
具体做法是如下：
-
计算整体OOB(D)
-
选取变量i，随机排序，计算OOB(Di)
-
针对所有变脸，重复步骤2，
-
重要性I(i) = OOB(Di)-OOB(D)
I(i)越高，说明变量i越重要；如果I(i) = 0,那么说明变量i没有什么作用；如果I(i) < 0,那么说明变量i有很明显的噪音，对模型产生了负面影响。
实现
实现的难点是随机排序，在大规模分布式数据上，实现随机排序至少需要一次排序，会非常消耗计算资源。扩展代码中使用了一个小技巧，利用spark随机森林的内部结构TreePoint，避免排序，提高随机排序效率。因为TreePoint是装箱数据，每个变量的值是箱索引，一般不超过100个。所以只需要将箱索引进行随机排序，就可以达到对整个数据进行随机排序的目的。
private def computeVariableImportance( strategy: Strategy, baggedInput: RDD[BaggedPoint[TreePoint]], bins: EnhancedRandomForest.BinList, forest: RandomForestModel, oobError: Double): Array[Double] = {
(0 until bins.size).par.map(featureIndex => {
val binCount = if (strategy.categoricalFeaturesInfo.contains(featureIndex)) { // category feature strategy.categoricalFeaturesInfo(featureIndex) } else { // continuous feature bins(featureIndex).size } val shuffleBinFeature = Random.shuffle((0 until binCount).toList) // 每个元素对应shuffle后的数据 val shuffleOneFeatureBaggedInput = baggedInput.map(x => { val currentFeatureBinIndex = x.datum.binnedFeatures(featureIndex) x.datum.binnedFeatures(featureIndex) = shuffleBinFeature(currentFeatureBinIndex) x }) computeOobError(strategy, shuffleOneFeatureBaggedInput, bins, forest) -oobError }).toArray
} |
上面的使用中，使用list.par.map的并发操作，同时对所有的变量计算重要性，具体的调度有spark服务器控制，最大限度利用spark的资源。
聚合模型稳定的理论依据
随机森林背后的主要思想是聚合模型（Ensemble Model）。为什么聚合模型效果好于单一模型（理论推导，请参考附录【聚合模型错误评估】）？直观的理解，当很多模型进行投票时，有一些模型会犯错，另外一些模型正确，那么正确的投票会与错误的投票抵消，整体上只要最终正确的投票多于错误的投票，哪怕多一票，那么就会得到正确的结果。由于相互抵消，所以聚合效果比单一模型稳定。聚合模型中，需要模型间具有较大差异，这样才能覆盖数据的不同方面，这也是为什么随机森林在数据的行和列两个维度上，添加随机过程，用于增大模型之间的差异。
引用一句谚语，"三个臭皮匠，顶一个诸葛亮"，可以形象的解释。比如这里有101个臭皮匠，假设他们对一件事情的判断正确的概率是0.57，而诸葛亮对这件事情判断正确的概率是0.9。那么，假设这101个臭皮匠通过投票判断，那么概率可以达到0.92（R代码：sum(dbinom(51:101,101,0.57))），比诸葛亮强！
总结
通过扩展这两个功能，重新温习了台大《机器学习技法》相关课程，同时在真实数据上检验了Random Forest的模型效果。实践检验了整理，学以致用，感觉很满足。同时，在阅读org.apache.spark.mllib.tree源代码的时候，学习到了一些分布式数据集上算法实现的技巧。希望这些分享对你有用。
参考资料
附录
Out Of Bag概率
设N为样本大小，那么N次有放回抽样中，一次没有选中的概率可以表示如下，
当N趋近于无求大时，P(OOB)会收敛到常量，下面给出证明，
其中数学常数定义如下：
聚合模型错误评估
下面通过聚合回归模型进行简单推导，gt是相同数据集D中,使用T个算法生成的T个模型中随机选择的一个模型，G是这T个模型聚合，使用平均作为最终结果，有
f模型用于生成数据D，需要用T个机器学习算法逼近。现在期望研究(G(x)-f(x))2与avg((gt(x)-f(x))2)的关系。x是固定值，后面的公式为了简单，会省略。
直观的理解，
是偏差（Bias）,
是方差（Variance），任意单一模型的平方错误期望大于等于平均模型的错误的平方。而且，模型差异如果越大，那么方差variance越大，那么Bias越小，也就是聚合模型与f越接近。
