最近要用到随机森林,于是乎对它的原理了解了一番,并做了一下算法的实现。本次实现是用于分类问题的,如果是回归问题,分裂规则不一样,我还没有实现.....
下面的原理摘自别人的笔记,如果了解决策树CART的构建规则ID3或者C4.5的话,这部分原理的内容应该还比较容易理解。
------------------------------------我是分割线------------------------------------------------
随机森林中有许多的分类树。我们要将一个输入样本进行分类,我们需要将输入样本输入到每棵树中进行分类。打个形象的比喻:森林中召开会议,讨论某个动物到底是老鼠还是松鼠,每棵树都要独立地发表自己对这个问题的看法,也就是每棵树都要投票。该动物到底是老鼠还是松鼠,要依据投票情况来确定,获得票数最多的类别就是森林的分类结果。森林中的每棵树都是独立的,99.9%不相关的树做出的预测结果涵盖所有的情况,这些预测结果将会彼此抵消。少数优秀的树的预测结果将会超脱于芸芸“噪音”,做出一个好的预测。将若干个弱分类器的分类结果进行投票选择,从而组成一个强分类器,这就是随机森林bagging的思想(关于bagging的一个有必要提及的问题:bagging的代价是不用单棵决策树来做预测,具体哪个变量起到重要作用变得未知,所以bagging改进了预测准确率但损失了解释性。)。
但是森林中的每棵树是怎么生成的呢?
每棵树的按照如下规则生成:
1)如果训练集大小为N,对于每棵树而言,随机且有放回地从训练集中的抽取N个训练样本(这种采样方式称为bootstrap sample方法),作为该树的训练集;
从这里我们可以知道:每棵树的训练集都是不同的,而且里面包含重复的训练样本(理解这点很重要)。
为什么要随机抽样训练集?(add @2016.05.28)
如果不进行随机抽样,每棵树的训练集都一样,那么最终训练出的树分类结果也是完全一样的,这样的话完全没有bagging的必要;
为什么要有放回地抽样?(add @2016.05.28)
我理解的是这样的:如果不是有放回的抽样,那么每棵树的训练样本都是不同的,都是没有交集的,这样每棵树都是"有偏的",都是绝对"片面的"(当然这样说可能不对),也就是说每棵树训练出来都是有很大的差异的;而随机森林最后分类取决于多棵树(弱分类器)的投票表决,这种表决应该是"求同",因此使用完全不同的训练集来训练每棵树这样对最终分类结果是没有帮助的,这样无异于是"盲人摸象"。
2)如果每个样本的特征维度为M,指定一个常数m<<M,随机地从M个特征中选取m个特征子集,每次树进行分裂时,从这m个特征中选择最优的;
3)每棵树都尽最大程度的生长,并且没有剪枝过程。
一开始我们提到的随机森林中的“随机”就是指的这里的两个随机性。
一、行采样。
采用有放回的方式,也就是在采样得到的样本集合中,可能有重复的样本。假设输入样本为N个,那么采样的样本也为N个。这样使得在训练的时候,每一棵树的输入样本都不是全部的样本,使得相对不容易出现over-fitting。
二、列采样。
从M个feature中,选择m个(m << M)。
之后就是对采样之后的数据使用完全分裂的方式建立出决策树,这样决策树的某一个叶子节点要么是无法继续分裂的,要么里面的所有样本的都是指向的同一个分类。
一般很多的决策树算法都一个重要的步骤 - 剪枝,但是这里不这样干,由于之前的两个随机采样的过程保证了随机性,所以就算不剪枝,也不会出现over-fitting。
两个随机性的引入对随机森林的分类性能至关重要。由于它们的引入,使得随机森林不容易陷入过拟合,并且具有很好得抗噪能力(比如:对缺省值不敏感)。
按这种算法得到的随机森林中的每一棵都是很弱的,但是大家组合起来就很厉害了。我觉得可以这样比喻随机森林算法:每一棵决策树就是一个精通于某一个窄领域的专家(因为我们从M个feature中选择m让每一棵决策树进行学习),这样在随机森林中就有了很多个精通不同领域的专家,对一个新的问题(新的输入数据),可以用不同的角度去看待它,最终由各个专家,投票得到结果。
Note:对于每棵树,它们使用的训练集是从总的训练集中有放回采样出来的,这意味着,总的训练集中的有些样本可能多次出现在一棵树的训练集中,也可能从未出现在一棵树的训练集中。在训练每棵树的节点时,使用的特征是从所有特征中按照一定比例随机地无放回的抽取的,根据Leo Breiman的建议,假设总的特征数量为M,这个比例可以是sqrt(M),1/2sqrt(M),2sqrt(M)。
------------------------------------我是分割线------------------------------------------------
matlab实现:
main.m
clear all;
rnode=cell(3,1);%3*1的单元数组
% rchild_value=cell(3,1);%3*1的单元数组
% rchild_node_num=cell(3,1);%3*1的单元数组
sn=300; %随机可重复的抽取sn个样本
tn=10; %森林中决策树的数目
load('aaa.mat');
n = size(r,1);
%% 样本训练采用随机森林和ID3算法构建决策森林
discrete_dim = [];
for j=1:tn
Sample_num=randi([1,n],1,sn);%从1至1000内随机抽取sn个样本
SData=r(Sample_num,:);
[tree,discrete_dim]= train_C4_5(SData, 5, 10, discrete_dim);
rnode{j,1}=tree;
end
%% 样本测试
load('aaa.mat');
T = r;
%TData=roundn(T,-1);
TData = roundn(T,-1);
%统计函数,对输入的测试向量进行投票,然后统计出选票最高的标签类型输出
result = statistics(tn, rnode, TData, discrete_dim);
gd = T(:,end);
len = length(gd);
count = sum(result==gd);
fprintf('共有%d个样本,判断正确的有%d\n',len,count);
用于训练随机森林的代码:
function [tree,discrete_dim] = train_C4_5(S, inc_node, Nu, discrete_dim)
% Classify using Quinlan's C4.5 algorithm
% Inputs:
% training_patterns - Train patterns 训练样本 每一列代表一个样本 每一行代表一个特征
% training_targets - Train targets 1×训练样本个数 每个训练样本对应的判别值
% test_patterns - Test patterns 测试样本,每一列代表一个样本
% inc_node - Percentage of incorrectly assigned samples at a node 一个节点上未正确分配的样本的百分比
% inc_node为防止过拟合,表示样本数小于一定阈值结束递归,可设置为5-10
% 注意inc_node设置太大的话会导致分类准确率下降,太小的话可能会导致过拟合
% Nu is to determine whether the variable is discrete or continuous (the value is always set to 10)
% Nu用于确定变量是离散还是连续(该值始终设置为10)
% 这里用10作为一个阈值,如果某个特征的无重复的特征值的数目比这个阈值还小,就认为这个特征是离散的
% Outputs
% test_targets - Predicted targets 1×测试样本个数 得到每个测试样本对应的判别值
% 也就是输出所有测试样本最终的判别情况
%NOTE: In this implementation it is assumed that a pattern vector with fewer than 10 unique values (the parameter Nu)
%is discrete, and will be treated as such. Other vectors will be treated as continuous
% 在该实现中,假设具有少于10个无重复值的特征向量(参数Nu)是离散的。 其他向量将被视为连续的
train_patterns = S(:,1:end-1)';
train_targets = S(:,end)';
[Ni, M] = size(train_patterns); %M是训练样本数,Ni是训练样本维数,即是特征数目
inc_node = inc_node*M/100; % 5*训练样本数目/100
if isempty(discrete_dim)
%Find which of the input patterns are discrete, and discretisize the corresponding dimension on the test patterns
%查找哪些输入模式(特征)是离散的,并离散测试模式上的相应维
discrete_dim = zeros(1,Ni); %用于记录每一个特征是否是离散特征,初始化都记为0,代表都是连续特征,
%如果后面更改,则意味着是离散特征,这个值会更改为这个离散特征的无重复特征值的数目
for i = 1:Ni %遍历每个特征
Ub = unique(train_patterns(i,:)); %取每个特征的不重复的特征值构成的向量
Nb = length(Ub); %得到无重复的特征值的数目
if (Nb <= Nu) %如果这个特征的无重复的特征值的数目比这个阈值还小,就认为这个特征是离散的
%This is a discrete pattern
discrete_dim(i) = Nb; %得到训练样本中,这个特征的无重复的特征值的数目 存放在discrete_dim(i)中,i表示第i个特征
% dist = abs(ones(Nb ,1)*test_patterns(i,:) - Ub'*ones(1, size(test_patterns,2)));
% %前面是把测试样本中,这个特征的那一行复制成Nb行,Nb是训练样本的这个特征中,无重复的特征值的数目
% %后面是把这几个无重复的特征值构成的向量复制成测试样本个数列
% %求这两个矩阵相应位置差的绝对值
% [m, in] = min(dist); %找到每一列绝对差的最小值,构成m(1×样本数目) 并找到每一列绝对差最小值所在行的位置,构成in(1×样本数目)
% %其实,这个in的中每个值就是代表了每个测试样本的特征值等于无重复的特征值中的哪一个或者更接近于哪一个
% %如=3,就是指这个特征值等于无重复的特征值向量中的第3个或者更接近于无重复的特征值向量中的第3个
% test_patterns(i,:) = Ub(in); %得到这个离散特征
end
end
end
%Build the tree recursively 递归地构造树
% disp('Building tree')
flag = [];
tree = make_tree(train_patterns, train_targets, inc_node, discrete_dim, max(discrete_dim), 0, flag);
function tree = make_tree(patterns, targets, inc_node, discrete_dim, maxNbin, base, flag)
%Build a tree recursively 递归地构造树
[N_all, L] = size(patterns); %%L为当前的样本总数,Ni为特征数目
if isempty(flag)
N_choose = randi([1,N_all],1,0.5*sqrt(N_all));%从所有特征中随机选择m个
Ni_choose = length(N_choose);
flag.N_choose = N_choose;
flag.Ni_choose = Ni_choose;
else
N_choose = flag.N_choose;
Ni_choose = flag.Ni_choose;
end
Uc = unique(targets); %训练样本对应的判别标签 无重复的取得这些标签 也就是得到判别标签的个数
tree.dim = 0; %初始化树的分裂特征为第0个
%tree.child(1:maxNbin) = zeros(1,maxNbin);
tree.split_loc = inf; %初始化分裂位置是inf
if isempty(patterns)
return
end
%When to stop: If the dimension is one or the number of examples is small
% inc_node为防止过拟合,表示样本数小于一定阈值结束递归,可设置为5-10
if ((inc_node > L) | (L == 1) | (length(Uc) == 1)) %如果剩余训练样本太小(小于inc_node),或只剩一个,或只剩一类标签,退出
H = hist(targets, length(Uc)); %统计样本的标签,分别属于每个标签的数目 H(1×标签数目)
[m, largest] = max(H); %得到包含样本数最多的那个标签的索引,记为largest 包含多少个样本,记为m
tree.Nf = [];
tree.split_loc = [];
tree.child = Uc(largest);%姑且直接返回其中包含样本数最多一类作为其标签
return
end
%Compute the node's I
for i = 1:length(Uc) %遍历判别标签的数目
Pnode(i) = length(find(targets == Uc(i))) / L; %得到当前所有样本中 标签=第i个标签 的样本的数目 占样本总数的比例 存放在Pnode(i)中
end
% 计算当前的信息熵(分类期望信息)
% 例如,数据集D包含14个训练样本,9个属于类别“Yes”,5个属于类别“No”,Inode = -9/14 * log2(9/14) - 5/14 * log2(5/14) = 0.940
Inode = -sum(Pnode.*log(Pnode)/log(2));
%For each dimension, compute the gain ratio impurity %对于每维,计算杂质的增益比 对特征集中每个特征分别计算信息熵
%This is done separately for discrete and continuous patterns %对于离散和连续特征,分开计算
delta_Ib = zeros(1, Ni_choose); %Ni是特征维数 用于记录每个特征的信息增益率
split_loc = ones(1, Ni_choose)*inf; %初始化每个特征的分裂值是inf
for i_idx = 1:Ni_choose%遍历每个特征
i = N_choose(i_idx);
data = patterns(i,:); %得到当前所有样本的这个特征的特征值
Ud = unique(data); %得到无重复的特征值构成向量Ud
Nbins = length(Ud); %得到无重复的特征值的数目
if (discrete_dim(i)) %如果这个特征是离散特征
%This is a discrete pattern
P = zeros(length(Uc), Nbins); %Uc是判别标签的个数 判别标签个数×无重复的特征值的数目
for j = 1:length(Uc) %遍历每个标签
for k = 1:Nbins %遍历每个特征值
indices = find((targets == Uc(j)) & (patterns(i,:) == Ud(k)));
% &适用于矩阵间的逻辑运算 &&不适用,只能用于单个元素 &的意思也是与
%找到 (样本标签==第j个标签 并且 当前所有样本的这个特征==第k个特征值) 的样本个数
P(j,k) = length(indices); %记为P(j,k)
end
end
Pk = sum(P); %取P的每一列的和,也就是得到当前所有样本中,这个特征的特征值==这个特征值的样本数目 Pk(1×特征值数目)表示这个特征的特征值等于每个特征值的样本数目
P1 = repmat(Pk, length(Uc), 1); %把Pk复制成 判别标签个数 行
P1 = P1 + eps*(P1==0); %这主要在保证P1作被除数时不等于0
P = P./P1; %得到当前所有样本中,这个特征的值等于每个特征值且标签等于每个标签的样本,占当前这个特征值中的样本的比例
Pk = Pk/sum(Pk); %得到当前所有样本中,这个特征的值等于每个特征值的样本,占当前样本总数的比例
info = sum(-P.*log(eps+P)/log(2)); %对特征集中每个特征分别计算信息熵 info(1×特征值数目)
delta_Ib(i_idx) = (Inode-sum(Pk.*info))/(-sum(Pk.*log(eps+Pk)/log(2))); %计算得到当前特征的信息增益率
%计算信息增益率(GainRatio),公式为Gain(A)/I(A),
%其中Gain(A)=Inode-sum(Pk.*info)就是属性A的信息增益
%其中I(A)=-sum(Pk.*log(eps+Pk)/log(2))为属性A的所包含的信息
else %对于连续特征(主要要找到合适的分裂值,使数据离散化)
%This is a continuous pattern
P = zeros(length(Uc), 2); % P(判别标签数目×2) 列1代表前..个样本中的标签分布情况 列2代表除前..个样本之外的标签分布情况 这个..就是各个分裂位置
%Sort the patterns
[sorted_data, indices] = sort(data); %data里存放的是当前所有训练样本的这个特征的特征值 从小到大排序 sorted_data是排序好的数据 indices是索引
sorted_targets = targets(indices); %当然,判别标签也要随着样本顺序调整而调整
%Calculate the information for each possible split 计算分裂信息度量
I = zeros(1,Nbins);
delta_Ib_inter = zeros(1, Nbins);
for j = 1:Nbins-1
P(:, 1) = hist(sorted_targets(find(sorted_data <= Ud(j))) , Uc); %记录<=当前特征值的样本的标签的分布情况
P(:, 2) = hist(sorted_targets(find(sorted_data > Ud(j))) , Uc); %记录>当前特征值的样本的标签的分布情况
Ps = sum(P)/L; %sum(P)是得到分裂位置前面和后面各有样本数占当前样本总数的比例
P = P/L; %占样本总数的比例
Pk = sum(P); %%sum(P)是得到分裂位置前面和后面各有多少个样本 比例
P1 = repmat(Pk, length(Uc), 1); %把Pk复制成 判别标签个数 行
P1 = P1 + eps*(P1==0);
info = sum(-P./P1.*log(eps+P./P1)/log(2)); %计算信息熵(分类期望信息)
I(j) = Inode - sum(info.*Ps); %Inode-sum(info.*Ps)就是以第j个样本分裂的的信息增益
delta_Ib_inter(j) = I(j)/(-sum(Ps.*log(eps+Ps)/log(2))); %计算得到当前特征值的信息增益率
end
[~, s] = max(I); %找到信息增益最大的划分方法 delta_Ib(i)中存放的是对于当前第i个特征而言,最大的信息增益作为这个特征的信息增益 s存放这个划分方法
delta_Ib(i_idx) = delta_Ib_inter(s); %得到这个分类特征值对应的信息增益率
split_loc(i_idx) = Ud(s); %对应特征i的划分位置就是能使信息增益最大的划分值
end
end
%Find the dimension minimizing delta_Ib %找到当前要作为分裂特征的特征
[m, dim] = max(delta_Ib); %找到所有特征中最大的信息增益对应的特征,记为dim
dims = 1:Ni_choose; %Ni特征数目
dim_all = 1:N_all;
dim_to_all = N_choose(dim);
tree.dim = dim_to_all; %记为树的分裂特征
%Split along the 'dim' dimension
Nf = unique(patterns(dim_to_all,:)); %得到选择的这个作为分裂特征的特征的那一行 也就是得到当前所有样本的这个特征的特征值
Nbins = length(Nf); %得到这个特征的无重复的特征值的数目
tree.Nf = Nf; %记为树的分类特征向量 当前所有样本的这个特征的特征值
tree.split_loc = split_loc(dim); %把这个特征的划分位置记为树的分裂位置 可是如果选择的是一个离散特征,split_loc(dim)是初始值inf啊???
%If only one value remains for this pattern, one cannot split it.
if (Nbins == 1) %无重复的特征值的数目==1,即这个特征只有这一个特征值,就不能进行分裂
H = hist(targets, length(Uc)); %统计当前所有样本的标签,分别属于每个标签的数目 H(1×标签数目)
[m, largest] = max(H); %得到包含样本数最多的那个标签的索引,记为largest 包含多少个样本,记为m
tree.Nf = []; %因为不以这个特征进行分裂,所以Nf和split_loc都为空
tree.split_loc = [];
tree.child = Uc(largest); %姑且将这个特征的标签就记为包含样本数最多的那个标签
return
end
if (discrete_dim(dim_to_all)) %如果当前选择的这个作为分裂特征的特征是个离散特征
%Discrete pattern
for i = 1:Nbins %遍历这个特征下无重复的特征值的数目
indices = find(patterns(dim_to_all, :) == Nf(i)); %找到当前所有样本的这个特征的特征值为Nf(i)的索引们
tree.child(i) = make_tree(patterns(dim_all, indices), targets(indices), inc_node, discrete_dim(dim_all), maxNbin, base, flag);%递归
%因为这是个离散特征,所以分叉成Nbins个,分别针对每个特征值里的样本,进行再分叉
end
else
%Continuous pattern %如果当前选择的这个作为分裂特征的特征是个连续特征
indices1 = find(patterns(dim_to_all,:) <= split_loc(dim)); %找到特征值<=分裂值的样本的索引们
indices2 = find(patterns(dim_to_all,:) > split_loc(dim)); %找到特征值>分裂值的样本的索引们
if ~(isempty(indices1) | isempty(indices2)) %如果<=分裂值 >分裂值的样本数目都不等于0
tree.child(1) = make_tree(patterns(dim_all, indices1), targets(indices1), inc_node, discrete_dim(dim_all), maxNbin, base+1, flag);%递归
%对<=分裂值的样本进行再分叉
tree.child(2) = make_tree(patterns(dim_all, indices2), targets(indices2), inc_node, discrete_dim(dim_all), maxNbin, base+1, flag);%递归
%对>分裂值的样本进行再分叉
else
H = hist(targets, length(Uc)); %统计当前所有样本的标签,分别属于每个标签的数目 H(1×标签数目)
[m, largest] = max(H); %得到包含样本数最多的那个标签的索引,记为largest 包含多少个样本,记为m
tree.child = Uc(largest); %姑且将这个特征的标签就记为包含样本数最多的那个标签
tree.dim = 0; %树的分裂特征记为0
end
end
用于测试的代码:
function [result] = statistics(tn, rnode, PValue, discrete_dim)
TypeName = {'1','2'};
TypeNum = [0 0];
test_patterns = PValue(:,1:end-1)';
class_num = length(TypeNum);
type = zeros(tn,size(test_patterns,2));
for i = 1:tn %对测试向量进行投票,共有tn棵树
type(tn,:) = vote_C4_5(test_patterns, 1:size(test_patterns,2), rnode{i,1}, discrete_dim, class_num);
% if strcmp( type(tn,:),TypeName{1})
% TypeNum(1) = TypeNum(1) + 1;
% else
% TypeNum(2) = TypeNum(2) + 1;
% end
end
result = mode(type,1)';%统计每列出现最多的数 分类问题
end
每棵树的决策代码:
function targets = vote_C4_5(patterns, indices, tree, discrete_dim, Uc)
%Classify recursively using a tree
targets = zeros(1, size(patterns,2)); %设置每个样本的初始预测标签都是0
if (tree.dim == 0) %这说明达到了树的叶子节点
%Reached the end of the tree
targets(indices) = tree.child; %得到样本对应的标签是tree.child
return
end
%This is not the last level of the tree, so:
%First, find the dimension we are to work on
dim = tree.dim; %得到分裂特征
dims= 1:size(patterns,1); %得到特征索引
%And classify according to it 根据得到的决策树对测试样本进行分类
if (discrete_dim(dim) == 0) %如果当前分裂特征是个连续特征
%Continuous pattern
in = indices(find(patterns(dim, indices) <= tree.split_loc)); %找到当前测试样本中这个特征的特征值<=分裂值的样本索引
targets = targets + vote_C4_5(patterns(dims, :), in, tree.child(1), discrete_dim(dims), Uc); %对这部分样本再分叉
in = indices(find(patterns(dim, indices) > tree.split_loc)); %找到当前测试样本中这个特征的特征值>分裂值的样本索引
targets = targets + vote_C4_5(patterns(dims, :), in, tree.child(2), discrete_dim(dims), Uc); %对这部分样本再分叉
else %如果当前分裂特征是个离散特征
%Discrete pattern
Uf = unique(patterns(dim,:)); %得到这个样本集中这个特征的无重复特征值
for i = 1:length(Uf) %遍历每个特征值
if any(Uf(i) == tree.Nf) %tree.Nf为树的分类特征向量 当前所有样本的这个特征的特征值
in = indices(find(patterns(dim, indices) == Uf(i))); %找到当前测试样本中这个特征的特征值==分裂值的样本索引
targets = targets + vote_C4_5(patterns(dims, :), in, tree.child(find(Uf(i)==tree.Nf)), discrete_dim(dims), Uc);%对这部分样本再分叉
end
end
end
%END
测试结果: