【实战篇】随机森林预测气温(三)

本篇文章是随机森林气温预测任务的最后一篇文章啦,本文我们的主要内容就是 调参。前面在介绍随机森林算法的时候,我们知道在建立树模型的时候,我们通常会使用预剪枝策略,边建立决策树边限制树的复杂度,以防止树模型出现过拟合的现象。

接下来,我们调参的参数大部分都是和预剪枝策略相关的,比如树的深度、叶子节点的个数、切分的最小样本数、叶子节点最小样本个数等等。话不多说,一起来开始今天的学习吧~

数据集读取、预处理和切分

读取数据集:

import pandas as pd
import os

df = pd.read_csv("data" + os.sep + "temps_extended.csv")
df.head()

数据特征这里就不介绍了,前面的文章我们已经详细地讨论过特征啦~

进行度热编码、数据集切分:

import numpy as np
from sklearn.model_selection import train_test_split


def get_train_test(df):
    data = pd.get_dummies(df)
    y = data.actual
    X = data.drop('actual',axis=1)
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
    
    return X_train, X_test, y_train, y_test

X_train, X_test, y_train, y_test = get_train_test(df)

训练集和测试集样本情况:

>> X_train.shape, X_test.shape
((1643, 17), (548, 17))

在开始调参前,我们需要先看看随机森林 RandomForestRegressor 有哪些参数:

>> from sklearn.ensemble import RandomForestRegressor
>> rfr = RandomForestRegressor(random_state=0)
>> rfr.get_params()
{'bootstrap': True,
 'ccp_alpha': 0.0,
 'criterion': 'squared_error',
 'max_depth': None,
 'max_features': 'auto',
 'max_leaf_nodes': None,
 'max_samples': None,
 'min_impurity_decrease': 0.0,
 'min_samples_leaf': 1,
 'min_samples_split': 2,
 'min_weight_fraction_leaf': 0.0,
 'n_estimators': 100,
 'n_jobs': None,
 'oob_score': False,
 'random_state': 0,
 'verbose': 0,
 'warm_start': False}

我们接下来的调参主要选择其中比较重要的几个:

  • max_depth:树的深度
  • max_features:选取的特征个数
  • min_samples_leaf:叶子节点包含的最少样本数
  • min_samples_split:切分节点时的最少样本数
  • n_estimators:随机森林中树的个数

下面的调参工作,小鱼也将围绕这 5 个特征展开。

RandomizedSearchCV 随机搜索

在开始任务之前,首先选择一个大致的合适区间作为参数空间:

n_estimators = [int(x) for x in np.linspace(50, 1000, 5)]
max_depth = [int(x) for x in np.linspace(10, 30, 5)]
max_features = [6, 8, 10, 12, 16]
min_samples_split = [2, 5, 9, 13, 17]
min_samples_leaf = [1, 4, 7, 10, 13]

random_grid = {
    "n_estimators": n_estimators,
    "max_depth": max_depth,
    "min_samples_split": min_samples_split,
    "min_samples_leaf": min_samples_leaf,
    "max_features": max_features
}

输出:

>> random_grid
{'n_estimators': [50, 287, 525, 762, 1000],
 'max_depth': [10, 15, 20, 25, 30],
 'min_samples_split': [2, 5, 9, 13, 17],
 'min_samples_leaf': [1, 4, 7, 10, 13],
 'max_features': [6, 8, 10, 12, 16]}

对于每个参数,小鱼都列出了 5 个取值,参数有 5 个,一共会产生 5**5 = 3125 种组合,再加上个 3 折的交叉验证,那么一共就需要训练 9375 个模型,这样我们调参的效率也就太低了。

那有什么办法可以解决效率问题呢?

答案就是 RandomizedSearchCV,这个函数可以帮助我们在候选集组合中,随机地选择几组合适的参数来建模,并且求其交叉验证后的评估结果。以此来大致地找到一个最合适的参数。

这样不我们就不需要训练 9375 个模型,找到最优的参数组合了。比如随机选择其中的 200 组参数,并进行 3 折交叉验证,那么一共只需要训练 600 个模型。

下面是代码部分:

from sklearn.model_selection import RandomizedSearchCV

# 随机选择最合适的参数组合
rf = RandomForestRegressor(random_state=0)
rf_random = RandomizedSearchCV(
    estimator=rf, 
    param_distributions=random_grid, 
    n_iter=100, 
    scoring="neg_mean_absolute_error", 
    cv=3, 
    verbose=2, 
    random_state=0, 
    n_jobs=-1
)
rf_random.fit(X_train, y_train)

RandomizedSearchCV 参数说明:

  • estimatorRandomizedSearchCV 这个方法是一个通用的,并不是专为随机森林设计的,所以我们需要指定选择的算法模型是什么。
  • distributions:参数的候选空间,就是我们用字典格式给出的参数候选值。
  • n_iter:随机寻找参数组合的个数,比如在这里我们赋值了 100,代表接下来要随机找 100 组参数的组合,然后在其中找到最好的一组。
  • scoring:模型的评估方法,即按照该方法去找到最好的参数组合。
  • cv:几折交叉验证。
  • random_state:随机种子,为了使得咱们的结果能够一致,排除掉随机成分的干扰,一般我们都会指定成一个值。
  • n_jobs:多进程训练,如果是 -1 就会用所有的 CPU。

输出:

Fitting 3 folds for each of 100 candidates, totalling 300 fits
RandomizedSearchCV(cv=3, estimator=RandomForestRegressor(random_state=0),
                   n_iter=100, n_jobs=-1,
                   param_distributions={'max_depth': [10, 15, 20, 25, 30],
                                        'max_features': [6, 8, 10, 12, 16],
                                        'min_samples_leaf': [1, 4, 7, 10, 13],
                                        'min_samples_split': [2, 5, 9, 13, 17],
                                        'n_estimators': [50, 287, 525, 762,
                                                         1000]},
                   random_state=0, scoring='neg_mean_absolute_error',
                   verbose=2)

获取最优的参数组合:

>> rf_random.best_params_
{'n_estimators': 50,
 'min_samples_split': 5,
 'min_samples_leaf': 10,
 'max_features': 16,
 'max_depth': 25}

接下来,我们使用测试集来实际看看调参的结果如何。定义相关函数:

def predict_and_evaluate(model, x_test, y_test, print_mape=True):
    predictions = model.predict(x_test)
    # 计算误差 MAPE (Mean Absolute Percentage Error)
    errors = abs(predictions - y_test)
    mape = errors / y_test
    if print_mape:
        print(f'MAPE:{mape.mean():.2%}')
    
    return mape.mean()

使用默认参数建模:

>> base_model = RandomForestRegressor(random_state=0)
>> base_model.fit(X_train, y_train)
>> predict_and_evaluate(base_model, X_test, y_test)
MAPE:6.65%

使用 RandomizedSearchCV 为我们找到的最优参数组合:

>> best_random = rf_random.best_estimator_
>> predict_and_evaluate(best_random, X_test, y_test)
MAPE:6.60%

可以看到模型的效果提升了一些,但是这已经是上限了吗?

GridSearchCV 网格搜索

RandomizedSearchCV 在随机搜索时,相当于为我们锁定了大致的范围。接下来就要靠 GridSearchCV 在缩小后的范围内开展地毯式搜索了,这就是网络搜索,说白了就是将所有的参数组合都进行一遍。

在随机搜索时,我们得到的最优参数组合为:

{'n_estimators': 50,
 'min_samples_split': 5,
 'min_samples_leaf': 10,
 'max_features': 16,
 'max_depth': 25}

在参数的附近,定义网格搜索的参数空间:

# 网络搜索
param_grid = {
    'n_estimators': [50, 100, 200],
    'min_samples_split': [4, 5, 6],
    'min_samples_leaf': [9, 10, 11],
    'max_features': [15, 16, 17],
    'max_depth': [24, 25, 26]
}

进行网格搜索和交叉验证:

from sklearn.model_selection import GridSearchCV

rf = RandomForestRegressor(random_state=0)
grid_search = GridSearchCV(
    estimator=rf, 
    param_grid=param_grid,
    scoring='neg_mean_absolute_error',
    cv=3, 
    n_jobs=-1,
    verbose=2
)

grid_search.fit(X_train, y_train)

输出:

Fitting 3 folds for each of 243 candidates, totalling 729 fits
GridSearchCV(cv=3, estimator=RandomForestRegressor(random_state=0), n_jobs=-1,
             param_grid={'max_depth': [24, 25, 26],
                         'max_features': [15, 16, 17],
                         'min_samples_leaf': [9, 10, 11],
                         'min_samples_split': [4, 5, 6],
                         'n_estimators': [50, 100, 200]},
             scoring='neg_mean_absolute_error', verbose=2)

网格搜索最佳参数组合:

>> grid_search.best_params_
{'max_depth': 24,
 'max_features': 15,
 'min_samples_leaf': 10,
 'min_samples_split': 4,
 'n_estimators': 50}

评估:

>> predict_and_evaluate(grid_search.best_estimator_, X_test, y_test)
MAPE:6.59%

误差下降了 0.01 个百分点,改善效果不是很明显。可以多来几组地毯式搜索找到最优的参数组合。

总结

随机搜索可以更节约时间,尤其是在任务开始阶段,我们并不知道哪一个参数在哪一个位置效果能更好,这样我们可以把参数间隔设置的更大一些,先用随机搜索确定一些大致位置。

网络搜索相当于地毯式搜索,当我们得到了大致位置之后,想在这里寻找到最优参数的时候就派上用场了。可以把随机和网络搜索当做一套组合拳,搭配使用。

调参的方法其实还有很多,比如贝叶斯优化。上述的调参方式,每一个都是独立的进行不会对之后的结果产生任何影响,贝叶斯优化的基本思想在于每一个优化都是在不断积累经验,这样我会慢慢得到最终的解应当在的位置,相当于前一步结果会对后面产生影响了。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,312评论 5 473
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,578评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,337评论 0 333
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,134评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,161评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,303评论 1 280
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,761评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,421评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,609评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,450评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,504评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,194评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,760评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,836评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,066评论 1 257
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,612评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,178评论 2 341

推荐阅读更多精彩内容