python机器学习之随机森林（七）

#coding=utf-8# Random Forest Algorithm on Sonar Datasetfrom random import seedfrom random import randrangefrom csv import readerfrom math import sqrtfrom math import log# 加载数据def load_csv(filename): #导入csv文件  dataset = list()  with open(filename, 'r') as file:    csv_reader = reader(file)    for row in csv_reader:      if not row:        continue      dataset.append(row)  return dataset#除了判别列，其他列都转换为float类型 def str_column_to_float(dataset, column): #将数据集的第column列转换成float形式  for row in dataset:    row[column] = float(row[column].strip()) #strip()返回移除字符串头尾指定的字符生成的新字符串。# 将数据集随机分成n份，方便交叉验证def cross_validation_split(dataset, n_folds): #将数据集dataset分成n_flods份，每份包含len(dataset) / n_folds个值，每个值由dataset数据集的内容随机产生，每个值被使用一次  dataset_split = list()  dataset_copy = list(dataset) #复制一份dataset,防止dataset的内容改变  fold_size = len(dataset) / n_folds # 每份数据集的大小  for i in range(n_folds):    fold = list()  #每次循环fold清零，防止重复导入dataset_split    while len(fold) < fold_size:  #这里不能用if，if只是在第一次判断时起作用，while执行循环，直到条件不成立      index = randrange(len(dataset_copy))      fold.append(dataset_copy.pop(index)) #将对应索引index的内容从dataset_copy中导出，并将该内容从dataset_copy中删除。pop() 函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。    dataset_split.append(fold)  return dataset_split  #由dataset分割出的n_folds个数据构成的列表，为了用于交叉验证#导入实际值和预测值，计算精确度def accuracy_metric(actual, predicted):   correct = 0  for i in range(len(actual)):    if actual[i] == predicted[i]:      correct += 1  return correct / float(len(actual)) * 100.0#根据特征和特征值分割数据集def test_split(index, value, dataset):  left, right = list(), list()  for row in dataset:    if row[index] < value:      left.append(row)    else:      right.append(row)  return left, right# 计算基尼指数def gini_index(groups, class_values):  #个人理解：计算代价，分类越准确，则gini越小  gini = 0.0  for class_value in class_values: #class_values =[0,1]     for group in groups:     #groups=(left,right)      size = len(group)      if size == 0:        continue      proportion = [row[-1] for row in group].count(class_value) / float(size)      gini += (proportion * (1.0 - proportion)) #个人理解：计算代价，分类越准确，则gini越小  return gini#找出分割数据集的最优特征，得到最优的特征index，特征值row[index]，以及分割完的数据groups（left,right）def get_split(dataset, n_features):  class_values = list(set(row[-1] for row in dataset)) #class_values =[0,1]  b_index, b_value, b_score, b_groups = 999, 999, 999, None  features = list()  #往features添加n_features个特征（n_feature等于特征数的根号），特征索引从dataset中随机取  while len(features) < n_features:      index = randrange(len(dataset[0])-1)     if index not in features:      features.append(index)  #在n_features个特征中选出最优的特征索引，并没有遍历所有特征，从而保证了每课决策树的差异性      for index in features:        for row in dataset:  #groups=(left,right)；row[index]遍历每一行index索引下的特征值作为分类值value，找出最优的分类特征和特征值      groups = test_split(index, row[index], dataset)       gini = gini_index(groups, class_values)      if gini < b_score:        b_index, b_value, b_score, b_groups = index, row[index], gini, groups #最后得到最优的分类特征b_index,分类特征值b_value,分类结果b_groups。b_value为分错的代价成本。  #print b_score  return {'index':b_index, 'value':b_value, 'groups':b_groups}#输出group中出现次数较多的标签def to_terminal(group):  outcomes = [row[-1] for row in group]      #max()函数中，当key参数不为空时，就以key的函数对象为判断的标准;  return max(set(outcomes), key=outcomes.count)  # 输出group中出现次数较多的标签 #创建子分割器，递归分类，直到分类结束def split(node, max_depth, min_size, n_features, depth): #max_depth = 10，min_size = 1，n_features = int(sqrt(len(dataset[0])-1))   left, right = node['groups']  del(node['groups'])  # check for a no split  if not left or not right:    node['left'] = node['right'] = to_terminal(left + right)    return  # check for max depth  if depth >= max_depth:  #max_depth=10表示递归十次，若分类还未结束，则选取数据中分类标签较多的作为结果，使分类提前结束，防止过拟合    node['left'], node['right'] = to_terminal(left), to_terminal(right)    return  # process left child  if len(left) <= min_size:    node['left'] = to_terminal(left)  else:    node['left'] = get_split(left, n_features) #node['left']是一个字典，形式为{'index':b_index, 'value':b_value, 'groups':b_groups}，所以node是一个多层字典    split(node['left'], max_depth, min_size, n_features, depth+1) #递归，depth+1计算递归层数  # process right child  if len(right) <= min_size:    node['right'] = to_terminal(right)  else:    node['right'] = get_split(right, n_features)    split(node['right'], max_depth, min_size, n_features, depth+1)# 创建决策树def build_tree(train, max_depth, min_size, n_features):  #找到最佳切分向量和最佳切分点进行划分为两个子集  root = get_split(train, n_features)   split(root, max_depth, min_size, n_features, 1)  return root#预测模型分类结果def predict(node, row):    if row[node['index']] < node['value']:  # index是分割的特征分量，value是特征分量的最优切分点    if isinstance(node['left'], dict):  #isinstance是Python中的一个内建函数。是用来判断一个对象是否是一个已知的类型。      return predict(node['left'], row)    else:      return node['left']  else:    if isinstance(node['right'], dict):      return predict(node['right'], row)    else:      return node['right']#使用多个决策树trees对测试集test的第row行进行预测，再使用简单投票法判断出该行所属分类def bagging_predict(trees, row):  predictions = [predict(tree, row) for tree in trees]   return max(set(predictions), key=predictions.count)#创建数据集的随机子样本def subsample(dataset, ratio):    sample = list()  n_sample = round(len(dataset) * ratio)  #round() 方法返回浮点数x的四舍五入值。  while len(sample) < n_sample:    index = randrange(len(dataset)) #有放回的随机采样，有一些样本被重复采样，从而在训练集中多次出现，有的则从未在训练集中出现，此则自助采样法。从而保证每棵决策树训练集的差异性    sample.append(dataset[index])  return sample# 随机森林算法def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features):  trees = list()  for i in range(n_trees):  #n_trees表示决策树的数量    sample = subsample(train, sample_size) #随机采样保证了每棵决策树训练集的差异性    tree = build_tree(sample, max_depth, min_size, n_features) #建立一个决策树    trees.append(tree)  predictions = [bagging_predict(trees, row) for row in test]  return(predictions)#评估算法性能，返回模型得分 def evaluate_algorithm(dataset, algorithm, n_folds, *args):    folds = cross_validation_split(dataset, n_folds)  scores = list()  #每次循环从folds从取出一个fold作为测试集，其余作为训练集，遍历整个folds，实现交叉验证  for fold in folds:      train_set = list(folds)    train_set.remove(fold)    train_set = sum(train_set, [])  #将多个fold列表组合成一个train_set列表    test_set = list()    for row in fold:  #fold表示从原始数据集dataset提取出来的测试集      row_copy = list(row)      test_set.append(row_copy)      row_copy[-1] = None    predicted = algorithm(train_set, test_set, *args) # 调用随机森林算法，预测的分类值列表    actual = [row[-1] for row in fold]         # 真实的分类值列表    accuracy = accuracy_metric(actual, predicted)    scores.append(accuracy)  return scoresif __name__ == '__main__':    #每一次执行本文件时都能产生同一个随机数    seed(1)    filename = 'sonar-all-data.csv'  dataset = load_csv(filename)    for i in range(0, len(dataset[0])-1): # 每一列的字符属性转为浮点数    str_column_to_float(dataset, i)    n_folds = 5   #分成5份数据，进行交叉验证    max_depth = 20 #调参（自己修改）决策树深度不能太深，不然容易导致过拟合  min_size = 1  #每个分支下最小的节点个数  sample_size = 1.0 # 每棵数所用样本子集的大小，这里和训练集相同    n_features =15 #调参（自己修改） #准确性与多样性之间的权衡  for n_trees in [1,10,20]: #理论上树的棵数是越多越好    scores = evaluate_algorithm(dataset[0:50], random_forest, n_folds, max_depth, min_size, sample_size, n_trees, n_features)    print('Trees: %d' % n_trees)    print('Scores: %s' % scores)    print('Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores))))