一、随机森林算法简介：

       在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而 “Random Forests” 是他们的商标。 这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林（random decision forests）而来的。这个方法则是结合Breimans 的 “Bootstrap aggregating” 想法和 Ho 的”randomsubspace method”以建造决策树的集合。

       根据下列算法而建造每棵树 ：

1.   用M来表示训练用例（样本）的个数，N表示特征数目。

2.   输入特征数目n，用于确定决策树上一个节点的决策结果；其中n应远小于N。

3.   从M个训练用例（样本）中以有放回抽样的方式，取样k次，形成一个训练集（即bootstrap取样），并用未抽到的用例（样本）作预测，评估其误差。

4.   对于每一个节点，随机选择n个特征，每棵决策树上每个节点的决定都是基于这些特征确定的。根据这n个特征，计算其最佳的分裂方式。

5.   每棵树都会完整成长而不会剪枝，这有可能在建完一棵正常树状分类器后会被采用。

6.   最后测试数据，根据每棵树，以多胜少方式决定分类。

     在构建随机森林时，需要做到两个方面：数据的随机性选取，以及待选特征的随机选取，来消除过拟合问题。

     首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复。第二，利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果。最后，如果有了新的数据需要通过随机森林得到分类结果，就可以通过对子决策树的判断结果的投票，得到随机森林的输出结果了。如下图，假设随机森林中有3棵子决策树，2棵子树的分类结果是A类，1棵子树的分类结果是B类，那么随机森林的分类结果就是A类。

     与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。

     优点：

    随机森林的既可以用于回归也可以用于分类任务，并且很容易查看模型的输入特征的相对重要性。随机森林算法被认为是一种非常方便且易于使用的算法，因为它是默认的超参数通常会产生一个很好的预测结果。超参数的数量也不是那么多，而且它们所代表的含义直观易懂。

    随机森林有足够多的树，分类器就不会产生过度拟合模型。

    缺点：

    由于使用大量的树会使算法变得很慢，并且无法做到实时预测。一般而言，这些算法训练速度很快，预测十分缓慢。越准确的预测需要越多的树，这将导致模型越慢。在大多数现实世界的应用中，随机森林算法已经足够快，但肯定会遇到实时性要求很高的情况，那就只能首选其他方法。当然，随机森林是一种预测性建模工具，而不是一种描述性工具。也就是说，如果您正在寻找关于数据中关系的描述，那建议首选其他方法。

    适用范围：

    随机森林算法可被用于很多不同的领域，如银行，股票市场，医药和电子商务。在银行领域，它通常被用来检测那些比普通人更高频率使用银行服务的客户，并及时偿还他们的债务。同时，它也会被用来检测那些想诈骗银行的客户。在金融领域，它可用于预测未来股票的趋势。在医疗保健领域，它可用于识别药品成分的正确组合，分析患者的病史以识别疾病。除此之外，在电子商务领域中，随机森林可以被用来确定客户是否真的喜欢某个产品。

二、sklearn中随机森林算法应用举例：

    （1）基本步骤：

    ①选择数据：将你的数据分成三组：训练数据、验证数据和测试数据

    ②模型数据：使用训练数据来构建使用相关特征的模型

    ③验证模型：使用你的验证数据接入你的模型

    ④测试模型：使用你的测试数据检查被验证的模型的表现

     ⑤使用模型：使用完全训练好的模型在新数据上做预测

    ⑥调优模型：使用更多数据、不同的特征或调整过的参数来提升算法的性能表现

    为方便大家使用，代码如下：

import csv

import numpy asnp

fromsklearn.ensemble import RandomForestRegressor

from sklearnimport preprocessing

from sklearn.metricsimport mean_squared_error, explained_variance_score

importmatplotlib.pyplot as plt

#———————————————————————————

defload_dataset(filename):

    file_reader = csv.reader(open(filename,’rb’), delimiter=’,’)

    X, y = [], []

    for row in file_reader:

        X.append(row[2:13])

        y.append(row[-1])

    # Extract feature names

    feature_names = np.array(X[0])

    return np.array(X[1:]).astype(np.float32),np.array(y[1:]).astype(np.float32), feature_names

if__name__==’__main__’:

    X, y, feature_names =load_dataset(“d:\\bike_day.csv”)

    X, y = shuffle(X, y, random_state=7)

    num_training = int(0.9 * len(X))

    X_train, y_train = X[:num_training],y[:num_training]

    X_test, y_test = X[num_training:],y[num_training:]

    rf_regressor =RandomForestRegressor(n_estimators=1000, max_depth=10, min_samples_split=1)

    rf_regressor.fit(X_train, y_train)

    y_pred = rf_regressor.predict(X_test)

    mse = mean_squared_error(y_test, y_pred)

    evs = explained_variance_score(y_test,y_pred)

    from AdaBoostRegressor importplot_feature_importances

   plot_feature_importances(rf_regressor.feature_importances_, ‘RandomForest regressor’, feature_names)

         数据集格式如下：

instant,dteday,season,yr,mnth,holiday,weekday,workingday,weathersit,temp,atemp,hum,windspeed,casual,registered,cnt

1,2011-01-01,1,0,1,0,6,0,2,0.344167,0.363625,0.805833,0.160446,331,654,985

2,2011-01-02,1,0,1,0,0,0,2,0.363478,0.353739,0.696087,0.248539,131,670,801

3,2011-01-03,1,0,1,0,1,1,1,0.196364,0.189405,0.437273,0.248309,120,1229,1349

以下数据省略。