Python 基于scikit学习的随机森林递归特征消除

我正在尝试使用

scikit learn

和随机森林分类器进行递归特征消除，并使用OOB ROC作为对递归过程中创建的每个子集进行评分的方法

然而，当我尝试使用

RFECV

方法时，我得到一个错误，说

AttributeError:“RandomForestClassifier”对象没有属性“coef”

随机森林本身并没有系数，但它们确实根据基尼得分进行排名。所以，我想知道如何解决这个问题

请注意，我想使用一种方法，明确告诉我在最佳分组中从我的

pandas

DataFrame中选择了哪些特征，因为我使用递归特征选择来尽量减少输入最终分类器的数据量

下面是一些示例代码：

from sklearn import datasets
import pandas as pd
from pandas import Series
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import RFECV

iris = datasets.load_iris()
x=pd.DataFrame(iris.data, columns=['var1','var2','var3', 'var4'])
y=pd.Series(iris.target, name='target')
rf = RandomForestClassifier(n_estimators=500, min_samples_leaf=5, n_jobs=-1)
rfecv = RFECV(estimator=rf, step=1, cv=10, scoring='ROC', verbose=2)
selector=rfecv.fit(x, y)

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Users/bbalin/anaconda/lib/python2.7/site-packages/sklearn/feature_selection/rfe.py", line 336, in fit
    ranking_ = rfe.fit(X_train, y_train).ranking_
  File "/Users/bbalin/anaconda/lib/python2.7/site-packages/sklearn/feature_selection/rfe.py", line 148, in fit
    if estimator.coef_.ndim > 1:
AttributeError: 'RandomForestClassifier' object has no attribute 'coef_'

从sklearn导入数据集
作为pd进口熊猫
从熊猫进口系列
从sklearn.employ导入随机林分类器
从sklearn.feature_选择导入RFECV
iris=数据集。加载\u iris（）
x=pd.DataFrame（iris.data，列=['var1'、'var2'、'var3'、'var4']
y=pd.Series（iris.target，name='target'）
rf=随机森林分类器（n_估计值=500，最小样本数=5，n_作业数=-1）
rfecv=rfecv（估计器=rf，步长=1，变异系数=10，评分=ROC'，详细程度=2）
选择器=rfecv.配合（x，y）
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
文件“/Users/bbalin/anaconda/lib/python2.7/site packages/sklearn/feature_selection/rfe.py”，第336行
排名=rfe.fit（X\u列，y\u列）。排名_
文件“/Users/bbalin/anaconda/lib/python2.7/site-packages/sklearn/feature_-selection/rfe.py”，第148行，以合适的格式
如果估计器系数ndim>1：
AttributeError:“RandomForestClassifier”对象没有属性“coef\ux”

这是我的代码，我已经整理了一下，使之与您的任务相关：

features_to_use = fea_cols #  this is a list of features
# empty dataframe
trim_5_df = DataFrame(columns=features_to_use)
run=1
# this will remove the 5 worst features determined by their feature importance computed by the RF classifier
while len(features_to_use)>6:
    print('number of features:%d' % (len(features_to_use)))
    # build the classifier
    clf = RandomForestClassifier(n_estimators=1000, random_state=0, n_jobs=-1)
    # train the classifier
    clf.fit(train[features_to_use], train['OpenStatusMod'].values)
    print('classifier score: %f\n' % clf.score(train[features_to_use], df['OpenStatusMod'].values))
    # predict the class and print the classification report, f1 micro, f1 macro score
    pred = clf.predict(test[features_to_use])
    print(classification_report(test['OpenStatusMod'].values, pred, target_names=status_labels))
    print('micro score: ')
    print(metrics.precision_recall_fscore_support(test['OpenStatusMod'].values, pred, average='micro'))
    print('macro score:\n')
    print(metrics.precision_recall_fscore_support(test['OpenStatusMod'].values, pred, average='macro'))
    # predict the class probabilities
    probs = clf.predict_proba(test[features_to_use])
    # rescale the priors
    new_probs = kf.cap_and_update_priors(priors, probs, private_priors, 0.001)
    # calculate logloss with the rescaled probabilities
    print('log loss: %f\n' % log_loss(test['OpenStatusMod'].values, new_probs))
    row={}
    if hasattr(clf, "feature_importances_"):
        # sort the features by importance
        sorted_idx = np.argsort(clf.feature_importances_)
        # reverse the order so it is descending
        sorted_idx = sorted_idx[::-1]
        # add to dataframe
        row['num_features'] = len(features_to_use)
        row['features_used'] = ','.join(features_to_use)
        # trim the worst 5
        sorted_idx = sorted_idx[: -5]
        # swap the features list with the trimmed features
        temp = features_to_use
        features_to_use=[]
        for feat in sorted_idx:
            features_to_use.append(temp[feat])
        # add the logloss performance
        row['logloss']=[log_loss(test['OpenStatusMod'].values, new_probs)]
    print('')
    # add the row to the dataframe
    trim_5_df = trim_5_df.append(DataFrame(row))
run +=1

因此，我在这里做的是，我有一个功能列表，我想训练，然后预测，使用功能重要性，然后修剪最差的5个，然后重复。在每次运行期间，我都会添加一行来记录预测性能，以便以后进行一些分析

最初的代码要大得多，我正在分析不同的分类器和数据集，但我希望您能从上面了解情况。我注意到，对于random forest，每次运行时删除的功能数量会影响性能，因此每次修剪1、3和5个功能会产生不同的最佳功能集

我发现使用GradientBoostingClassifier更具可预测性和可重复性，因为无论我一次修剪1个特征还是3个或5个特征，最终的最佳特征集都是一致的

---

我希望我不是在教你吃蛋，你可能知道的比我多，但我的烧蚀分析方法是使用快速分类器粗略了解最佳特征集，然后使用性能更好的分类器，然后开始超参数调整，当我感觉到最好的参数是什么时，我会再次做粗粒玉米片，然后再做细粒玉米片。

以下是我的想法。这是一个非常简单的解决方案，并且依赖于一个自定义的精度度量（称为weightedAccuracy），因为我正在对一个高度不平衡的数据集进行分类。但是，如果需要，它应该很容易变得更具可扩展性

from sklearn import datasets
import pandas
from sklearn.ensemble import RandomForestClassifier
from sklearn import cross_validation
from sklearn.metrics import confusion_matrix


def get_enhanced_confusion_matrix(actuals, predictions, labels):
    """"enhances confusion_matrix by adding sensivity and specificity metrics"""
    cm = confusion_matrix(actuals, predictions, labels = labels)
    sensitivity = float(cm[1][1]) / float(cm[1][0]+cm[1][1])
    specificity = float(cm[0][0]) / float(cm[0][0]+cm[0][1])
    weightedAccuracy = (sensitivity * 0.9) + (specificity * 0.1)
    return cm, sensitivity, specificity, weightedAccuracy

iris = datasets.load_iris()
x=pandas.DataFrame(iris.data, columns=['var1','var2','var3', 'var4'])
y=pandas.Series(iris.target, name='target')

response, _  = pandas.factorize(y)

xTrain, xTest, yTrain, yTest = cross_validation.train_test_split(x, response, test_size = .25, random_state = 36583)
print "building the first forest"
rf = RandomForestClassifier(n_estimators = 500, min_samples_split = 2, n_jobs = -1, verbose = 1)
rf.fit(xTrain, yTrain)
importances = pandas.DataFrame({'name':x.columns,'imp':rf.feature_importances_
                                }).sort(['imp'], ascending = False).reset_index(drop = True)

cm, sensitivity, specificity, weightedAccuracy = get_enhanced_confusion_matrix(yTest, rf.predict(xTest), [0,1])
numFeatures = len(x.columns)

rfeMatrix = pandas.DataFrame({'numFeatures':[numFeatures], 
                              'weightedAccuracy':[weightedAccuracy], 
                              'sensitivity':[sensitivity], 
                              'specificity':[specificity]})

print "running RFE on  %d features"%numFeatures

for i in range(1,numFeatures,1):
    varsUsed = importances['name'][0:i]
    print "now using %d of %s features"%(len(varsUsed), numFeatures)
    xTrain, xTest, yTrain, yTest = cross_validation.train_test_split(x[varsUsed], response, test_size = .25)
    rf = RandomForestClassifier(n_estimators = 500, min_samples_split = 2,
                                n_jobs = -1, verbose = 1)
    rf.fit(xTrain, yTrain)
    cm, sensitivity, specificity, weightedAccuracy = get_enhanced_confusion_matrix(yTest, rf.predict(xTest), [0,1])
    print("\n"+str(cm))
    print('the sensitivity is %d percent'%(sensitivity * 100))
    print('the specificity is %d percent'%(specificity * 100))
    print('the weighted accuracy is %d percent'%(weightedAccuracy * 100))
    rfeMatrix = rfeMatrix.append(
                                pandas.DataFrame({'numFeatures':[len(varsUsed)], 
                                'weightedAccuracy':[weightedAccuracy], 
                                'sensitivity':[sensitivity], 
                                'specificity':[specificity]}), ignore_index = True)    
print("\n"+str(rfeMatrix))    
maxAccuracy = rfeMatrix.weightedAccuracy.max()
maxAccuracyFeatures = min(rfeMatrix.numFeatures[rfeMatrix.weightedAccuracy == maxAccuracy])
featuresUsed = importances['name'][0:maxAccuracyFeatures].tolist()

print "the final features used are %s"%featuresUsed

---

以下是我为使RandomForestClassifier适应RFECV所做的工作：

class RandomForestClassifierWithCoef(RandomForestClassifier):
    def fit(self, *args, **kwargs):
        super(RandomForestClassifierWithCoef, self).fit(*args, **kwargs)
        self.coef_ = self.feature_importances_

如果使用“准确度”或“f1”分数，只需使用此类即可。对于“roc_auc”，RFECV抱怨不支持多类格式。将其改为两级分类，代码如下，“roc_auc”评分有效。（使用Python 3.4.1和scikit学习0.15.1）

插入您的代码：

from sklearn import datasets
import pandas as pd
from pandas import Series
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import RFECV

class RandomForestClassifierWithCoef(RandomForestClassifier):
    def fit(self, *args, **kwargs):
        super(RandomForestClassifierWithCoef, self).fit(*args, **kwargs)
        self.coef_ = self.feature_importances_

iris = datasets.load_iris()
x=pd.DataFrame(iris.data, columns=['var1','var2','var3', 'var4'])
y=(pd.Series(iris.target, name='target')==2).astype(int)
rf = RandomForestClassifierWithCoef(n_estimators=500, min_samples_leaf=5, n_jobs=-1)
rfecv = RFECV(estimator=rf, step=1, cv=2, scoring='roc_auc', verbose=2)
selector=rfecv.fit(x, y)

---

我提交了添加

coef\uuu

的请求，因此

RandomForestClassifier

可以与

RFECV

一起使用。然而，已经做出了改变。此更改将出现在版本0.17中

---

如果您现在想使用最新的开发版本，您可以使用它。

另一种方法是在调用

predict

或

predict\u proba

后使用

feature\u importances\u

属性，这将按照传递的顺序返回一个百分比数组。看那把锯子；不过，我想知道是否有什么东西可以让我进行10倍的验证，并确定功能的最佳子集。我必须做类似的事情，但我是手动完成的，方法是对功能的重要性进行排序，然后一次修剪1、3或5个功能。我不得不说，我没有使用你的方法，所以我不知道是否可以做到。你能分享你的手动方法吗？我明天早上会发布我的代码，我的代码在我的工作电脑上，所以大约在英国夏令时上午8点左右

from sklearn import datasets
import pandas as pd
from pandas import Series
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import RFECV

class RandomForestClassifierWithCoef(RandomForestClassifier):
    def fit(self, *args, **kwargs):
        super(RandomForestClassifierWithCoef, self).fit(*args, **kwargs)
        self.coef_ = self.feature_importances_

iris = datasets.load_iris()
x=pd.DataFrame(iris.data, columns=['var1','var2','var3', 'var4'])
y=(pd.Series(iris.target, name='target')==2).astype(int)
rf = RandomForestClassifierWithCoef(n_estimators=500, min_samples_leaf=5, n_jobs=-1)
rfecv = RFECV(estimator=rf, step=1, cv=2, scoring='roc_auc', verbose=2)
selector=rfecv.fit(x, y)