Python 确保在培训期间选择一个变量
这是一个新手问题 我想从Python 确保在培训期间选择一个变量,python,scikit-learn,random-forest,Python,Scikit Learn,Random Forest,这是一个新手问题 我想从sklearn使用RandomForestClassifier训练随机林。我有几个变量,但我希望算法能从这些变量中选择一个变量(我们称之为SourceID),确保在它训练的每一棵树中 我该怎么做?我在分类器中看不到任何有助于这种情况的参数 任何帮助都将不胜感激! 蒂亚 编辑 下面是我的情况 如果老师分配了一个关于概念a的作业,我必须预测下一个可能的作业概念。下一个分配的概念将严重依赖于已分配的概念A。例如,在指定“牛顿第一运动定律”之后,很有可能指定“牛顿第二运动定律”。
sklearn
使用RandomForestClassifier
训练随机林
。我有几个变量,但我希望算法能从这些变量中选择一个变量(我们称之为SourceID
),确保在它训练的每一棵树中
我该怎么做?我在分类器中看不到任何有助于这种情况的参数
任何帮助都将不胜感激!
蒂亚
编辑
下面是我的情况
如果老师分配了一个关于概念a
的作业,我必须预测下一个可能的作业概念。下一个分配的概念将严重依赖于已分配的概念A
。例如,在指定“牛顿第一运动定律”之后,很有可能指定“牛顿第二运动定律”。通常,在概念A之后分配的概念选择是有限的。考虑到过去的数据,我想预测分配概念A
后的最佳方案
如果我让随机林
随机挑选变量,那么会有一些树没有概念a
的变量,在这种情况下,预测可能没有多大意义,这就是为什么我想强制选择这个变量。更好的是,如果选择这个变量作为每个树中要拆分的第一个变量,那就太好了
这是否说明了问题?
random forest
完全不是这份工作的候选人吗?我认为现在在scikit中没有办法了。您可以使用max\u features=None删除特征选择的所有随机性
如果您可以切换软件包,R的Ranger()具有选项split.select.weights和always.split.variables,这可能就是您要查找的。定义随机选择的概率,或在随机选择之外始终包含这些特征
这不利于随机林的总体设计,减少了随机性,这反过来可能会削弱算法的方差减少。你应该知道很多关于你的数据和选择这个选项的问题。正如@Michal所提到的,在这里要小心进行。在
随机森林分类器中没有选择,但随机森林算法只是决策树的集合,其中每棵树只考虑所有可能特征的子集,并在训练数据的引导子样本上进行训练
因此,对于被迫使用特定功能集的树,我们自己手动创建它并不太困难。我在下面写了一个这样的类。这不会执行健壮的输入验证或类似的操作,但是您可以参考sklearn的random forestfit
函数的源代码。这是为了让您了解如何自己构建它:
固定特性Rfc.py
下面是一个测试脚本,以查看上面的类是否按预期工作:
test.py
没有一个断言失败,这表明我们选择修复的特征在每个随机特征子样本中使用,并且每个特征子样本的大小都是所需的max\u features
size。保留数据的高精度表明分类器工作正常。随机森林和机器学习的本质实际上是基于数据中的值,而不是硬输入/控制。告诉我们更多关于你问题的背景-你为什么试图在这里强制选择一个变量?@Michal:你已经编辑了这个问题以添加更多细节。
import numpy as np
from sklearn.tree import DecisionTreeClassifier
class FixedFeatureRFC:
def __init__(self, n_estimators=10, random_state=None):
self.n_estimators = n_estimators
if random_state is None:
self.random_state = np.random.RandomState()
def fit(self, X, y, feats_fixed=None, max_features=None, bootstrap_frac=0.8):
"""
feats_fixed: indices of features (columns of X) to be
always used to train each estimator
max_features: number of features that each estimator will use,
including the fixed features.
bootstrap_frac: size of bootstrap sample that each estimator will use.
"""
self.estimators = []
self.feats_used = []
self.n_classes = np.unique(y).shape[0]
if feats_fixed is None:
feats_fixed = []
if max_features is None:
max_features = X.shape[1]
n_samples = X.shape[0]
n_bs = int(bootstrap_frac*n_samples)
feats_fixed = list(feats_fixed)
feats_all = range(X.shape[1])
random_choice_size = max_features - len(feats_fixed)
feats_choosable = set(feats_all).difference(set(feats_fixed))
feats_choosable = np.array(list(feats_choosable))
for i in range(self.n_estimators):
chosen = self.random_state.choice(feats_choosable,
size=random_choice_size,
replace=False)
feats = feats_fixed + list(chosen)
self.feats_used.append(feats)
bs_sample = self.random_state.choice(n_samples,
size=n_bs,
replace=True)
dtc = DecisionTreeClassifier(random_state=self.random_state)
dtc.fit(X[bs_sample][:,feats], y[bs_sample])
self.estimators.append(dtc)
def predict_proba(self, X):
out = np.zeros((X.shape[0], self.n_classes))
for i in range(self.n_estimators):
out += self.estimators[i].predict_proba(X[:,self.feats_used[i]])
return out / self.n_estimators
def predict(self, X):
return self.predict_proba(X).argmax(axis=1)
def score(self, X, y):
return (self.predict(X) == y).mean()
import numpy as np
from sklearn.datasets import load_breast_cancer
from FixedFeatureRFC import FixedFeatureRFC
rs = np.random.RandomState(1234)
BC = load_breast_cancer()
X,y = BC.data, BC.target
train = rs.rand(X.shape[0]) < 0.8
print "n_features =", X.shape[1]
fixed = [0,4,21]
maxf = 10
ffrfc = FixedFeatureRFC(n_estimators=1000)
ffrfc.fit(X[train], y[train], feats_fixed=fixed, max_features=maxf)
for feats in ffrfc.feats_used:
assert len(feats) == maxf
for f in fixed:
assert f in feats
print ffrfc.score(X[~train], y[~train])
n_features = 30
0.983739837398