機器學習中的隨機森林模型

01 樹與森林

在構建決策樹的時候，可以讓樹進行完全生長，也可以通過參數控制樹的深度或者葉子節點的數量，通常完全生長的樹會帶來過擬合問題。過擬合一般由數據中的噪聲和離群點導致，一種解決過擬合的方法是進行剪枝，去除樹的一些雜亂的枝葉。

實際應用中，一般可用隨機森林來代替，隨機森林在決策樹的基礎上，會有更好的表現，尤其是防止過擬合。

在機器學習算法中，有一類算法比較特別，叫組合算法(Ensemble)，即將多個基算法(Base)組合起來使用。每個基算法單獨預測，最后的結論由全部基算法進行投票（用于分類問題）或者求平均（包括加權平均，用于回歸問題）。

組合算法中，一類是Bagging（裝袋），另一類是Boosting（提升），隨機森林便是Bagging中的代表。使用多顆樹進行單獨預測，最后的結論由這些樹預測結果的組合共同來決定，這也是“森林”名字的來源。每個基分類器可以很弱，但最后組合的結果通常能很強，這也類似于：“三個臭皮匠頂個諸葛亮”的思想。

上面文章換一種理解，即為：掌握了隨機森林，基本上可以處理很多常見的機器學習問題。由此可見，組合算法在很多時候，其預測的性能都會優于單獨的算法，這也正是隨機森林的魅力所在。

02 處處隨機

多個人組成的團隊，是不是一定就強于一個人呢？團隊的產出并不能把每個人的力量相加，并非和“眾人拾柴火焰高”的道理一樣。要讓團隊的總產出高于單個人的產出，那必須是每個人都有其它人不具備的知識或者能力，如果大家都是完全相同的知識或者能力，在解決難題上并沒有幫助。假設對一個數據的預測，大家的結論都是1，最后組合結論依然是1，沒有任何改變。對預測準確率，沒有任何提升。

這也是“森林”前面還有“隨機”這個修飾詞的原因，隨機就是讓每個顆樹不一樣，如果都一樣，組合后的效果不會有任何提升。假設每顆樹不一樣，單獨預測錯誤率大概都是40%(夠弱了吧，很多時候都會犯錯)，但三顆樹組合的后的錯誤率就變成了35.2%（至少一半以上（兩顆樹）同時犯錯結果才會犯錯），其計算方法為：

3個全錯(一種情況) + 2個錯1個對(3種組合):
1 0.4^3 + 3 0.4^2 * (1-0.4)^1 = 0.352

因此，隨機森林算法中，“隨機”是其核心靈魂，“森林”只是一種簡單的組合方式而已。隨機森林在構建每顆樹的時候，為了保證各樹之間的獨立性，通常會采用兩到三層的隨機性。

從數據抽樣開始，每顆樹都隨機地在原有數據的基礎上進行有放回的抽樣。假定訓練數據有1萬條，隨機抽取8千條數據，因為是有放回的抽樣，可能原數據中有500條被抽了兩次，即最后的8千條中有500條是重復的數據。每顆樹都進行獨立的隨機抽樣，這樣保證了每顆樹學習到的數據側重點不一樣，保證了樹之間的獨立性。

抽取了數據，就可以開始構建決策分支了，在每次決策分支時，也需要加入隨機性，假設數據有20個特征（屬性），每次只隨機取其中的幾個來判斷決策條件。假設取4個屬性，從這4個特征中來決定當前的決策條件，即忽略其它的特征。取特征的個數，通常不能太小，太小了使得單顆樹的精度太低，太大了樹之間的相關性會加強，獨立性會減弱。通常取總特征的平方根，或者log2(特征數)+1，在scikit-learn的實現中，支持sqrt與log2，而spark還支持onethird(1/3)。

在結點進行分裂的時候，除了先隨機取固定個特征，然后選擇最好的分裂屬性這種方式，還有一種方式，就是在最好的幾個（依然可以指定sqrt與log2)分裂屬性中隨機選擇一個來進行分裂。scikit-learn中實現了兩種隨機森林算法，一種是RandomForest，另外一種是ExtraTrees，ExtraTrees就是用這種方式。在某些情況下，會比RandomForest精度略高。

總結起來，使用隨機性的三個地方：

1. 隨機有放回的抽取數據，數量可以和原數據相同，也可以略??；
2. 隨機選取N個特征，選擇最好的屬性進行分裂；
3. 在N個最好的分裂特征中，隨機選擇一個進行分裂；

因此，理解了這幾個地方的隨機性，以及隨機性是為了保證各個基算法模型之間的相互獨立，從而提升組合后的精度。當然，還需要保證每個基分類算法不至于太弱，至少要強于隨機猜測，即錯誤率不能高于0.5。

03 sklearn與mllib

scikit-learn和spark中都實現了隨機森林，但各自有些細小的區別。

在scikit-learn中，同樣只是簡單幾行代碼即可：

調用RandomForestClassifier時的參數說明：

• n_estimators：指定森林中樹的顆數，越多越好，只是不要超過內存；
• criterion：指定在分裂使用的決策算法；
• max_features：指定了在分裂時，隨機選取的特征數目，sqrt即為全部特征的平均根；
• min_samples_leaf：指定每顆決策樹完全生成，即葉子只包含單一的樣本；
• n_jobs：指定并行使用的進程數；

從前面的隨機森林構建過程來看，隨機森林的每顆樹之間是獨立構建的，而且盡量往獨立的方向靠，不依賴其它樹的構建，這一特點，在當前的大數據環境下，尤其被人喜愛，因為它能并行，并行，并行……。

能完全并行的算法，一定會被人們追捧，在資源夠的情況下，可以同時并行構建大量的決策樹。scikit-learn雖然是單機版本，不能做分布式，但也可以利用單機的多枋來并行。

spark中，更是能發揮分布式的特點了：

和決策樹版本相比，唯一的變化，就是將DecistionTree換成了RandomForest，另外增加了一個指定樹顆數的參數：numTrees=50。

而和scikit-learn版本相比，spark中會通過categoricalFeaturesInfo={1:2, 2:2, 4:3}參數指定第5個屬性(工作屬性)具有3種不同的類別，因此spark在劃分的時候，是按類別變量進行處理。而scikit-learn中，依然當成連續的變量處理，所以在條件判斷的時候，才會有house

當有多個最優分割的時候，spark與scikit-learn在選擇上也有區別，spark會按屬性順序進行選擇，而scikit-learn會隨機選擇一個。這也是導致scikit-learn在多次運行中會輸出0和1的問題。

scikit-learn中，還可以輸出參數重要性，這也是決策樹和隨機森林的優點之一(目前pyspark還不支持輸入參數重要性)：

[(‘height’, 0.25), (‘house’,’car’, 0.0), (‘handsome’, 0.60), (‘job’, 0.0)]

04 特點與應用

隨機森林基本上繼承決策樹的全部優點，只需做很少的數據準備，其他算法往往需要數據歸一化。決策樹能處理連續變量，還能處理離散變量，當然也能處理多分類問題，多分類問題依然還是二叉樹。決策樹就是if-else語句，區別只是哪些條件寫在if，哪些寫在else，因此易于理解和解釋。

決策樹的可解釋性強 ，你可以打印出整個樹出來，從哪個因素開始決策，一目了然。但隨機森林的可解釋性就不強了。所謂可解釋性，就是當你通過各種調參進行訓練，得出一個結論，你老大來問你，這個結論是怎么得出來的？你說是模型自己訓練出來的，老大又問了，比如舉一條具體的數據，你說一說得出結論的過程呢？因為隨機森林引入了隨機取特征，而且是由多顆樹共同決定，樹一旦多了，很難說清楚得出結論的具體過程。雖然可以打印每顆樹的結構，但很難分析。

雖然不好解釋，但它解決了決策樹的過擬合問題，使模型的穩定性增加，對噪聲更加魯棒，從而使得整體預測精度得以提升。

因為隨機森林能計算參數的重要性，因此也可用于對數據的降維，只選取少量幾維重要的特征來近似表示原數據。同理，在數據有眾多的特征時，也可以用于特征選擇，選擇關鍵的特征用于算法中。

隨機森林還有天生的并行性，可以很好的處理大規模數據，也可以很容易的在分布式環境中使用。

最后，在大數據環境下，隨著森林中樹的增加，最后生成的模型可能過大，因為每顆樹都是完全生長，存儲了用于決策的全部數據，導致模型可能達到幾G甚至幾十G。如果用于在線的預測，光把模型加載到內存就需要很長時間，因此比較適合離線處理。