当前位置：首页 > news >正文

机器学习集成学习之随机森林

news 2025/8/6 7:14:16

随机森林：从原理到实战，一文读懂这个 "万能" 机器学习模型

一、随机森林：不止是 "很多树" 的森林

1. 从决策树到集成学习：为什么需要 "森林"？

什么是集成学习

二.随机森林特点

三.随机森林的工作流程

四.随机森林的优缺点

五.随机森林的应用场景

1. 分类任务

2. 回归任务

3. 特征工程与数据探索

4. 异常检测

六.API参数

1.关键参数

七.随机森林调优：让模型更上一层楼

八.垃圾邮件判断案例

1.数据集介绍

2.读取数据，并划分数据

3.随机森林模型训练

4.测试模型

5.特征重要性排序

随机森林：从原理到实战，一文读懂这个 "万能" 机器学习模型

在机器学习的江湖中，有一个模型凭借其强大的性能、稳健的表现和广泛的适用性，成为了数据科学家手中的 "瑞士军刀"—— 它就是随机森林（Random Forest）。无论是分类任务（如信用评分、疾病诊断）还是回归任务（如房价预测、销量预估），随机森林都能交出令人满意的答卷。今天，我们就从原理到实战，彻底搞懂这个 "万能" 模型。

一、随机森林：不止是 "很多树" 的森林

提到随机森林，很多人会直观地想："不就是很多决策树凑在一起吗？" 这句话对了一半，但忽略了其核心的 "随机性" 设计。要理解随机森林，我们需要先从它的 "积木"—— 决策树和 "组装方式"—— 集成学习说起。

1. 从决策树到集成学习：为什么需要 "森林"？

决策树是一种直观的机器学习模型，它像一棵倒置的树，通过对特征的逐步判断（如 "年龄是否大于 30？"" 收入是否超过 5 万？"）来实现分类或回归。单棵决策树的优点是简单易懂、训练速度快，但缺点也很明显：容易过拟合（对训练数据拟合过好，泛化能力差），且预测结果受数据微小变化影响较大（稳定性差）。

为了解决单棵决策树的缺陷，集成学习（Ensemble Learning） 应运而生。集成学习的核心思想是："三个臭皮匠顶个诸葛亮"—— 通过组合多个 "弱学习器"（性能略优于随机猜测的模型）的预测结果，得到一个更强大的 "强学习器"。随机森林就是集成学习中最成功的代表之一，它的 "弱学习器" 正是决策树。

什么是集成学习

集成学习：通过组合多个基础学习器（如决策树、逻辑回归等）提升模型性能，典型方法包括：
- Bagging（如随机森林）
- Boosting（如AdaBoost、XGBoost）
- 堆叠模型（Stacking）

二.随机森林特点

随机森林特点：
- 属于集成学习的Bagging分支，基础学习器仅为决策树。
- 核心思想：“三个臭皮匠顶一个诸葛亮”，通过多棵决策树投票或平均提升准确性。
- 三大随机性：
  1. 数据采样随机：每棵决策树仅训练部分数据（如80%）。
  2. 特征选取随机：每棵决策树仅使用部分特征（如80个特征中的70个）。
  3. 森林结构：由多棵决策树组成，最终结果通过投票（分类）或平均（回归）决定。

三.随机森林的工作流程

随机森林的训练和预测过程可以总结为四步：

抽样：用 Bootstrap 方法为每棵树生成独立的训练样本集；
建树：对每个样本集，用随机特征子集训练一棵决策树（不剪枝，让树充分生长）；
预测：
- 分类任务：所有树投票，得票最多的类别为最终结果；
- 回归任务：所有树预测值的平均值为最终结果；
集成：综合所有树的结果，得到更稳健的预测。

简单来说，随机森林就像一个 "专家委员会"：每个专家（决策树）基于不同的信息（样本和特征随机）独立判断，最后通过投票 / 平均得出结论，自然比单个专家更可靠。

四.随机森林的优缺点

应用场景：分类、回归、特征重要性评估。
优点：
- 高准确率（因数据随机采样）：通过集成多棵树，大幅降低了过拟合风险，泛化能力强；
- 适用性广：同时支持分类和回归任务，对数据类型不敏感（连续型、离散型均可）；
- 无需特征预处理：不需要归一化或标准化（决策树本身对特征尺度不敏感）；
- 抗噪声能力强（因数据随机采样）：对异常值和缺失值不敏感，稳定性高；
- 能评估特征重要性：可以计算每个特征对预测结果的贡献度，辅助特征工程；
- 可并行训练：每棵树的训练相互独立，能利用多核 CPU 加速。
- 相比传统线性相关度分析，随机森林能捕捉非线性关系（决策树通过条件判断构建，不受线性假设限制）。
- 随机森林的一大优势是能输出特征重要性
缺点：
- 计算成本高：训练时间和内存消耗较大（因多棵决策树）
- 解释性较弱：模型解释性较差（“黑盒”特性），虽然单棵决策树易解释，但 "森林" 的整体决策过程难以可视化（可通过特征重要性部分弥补）；
- 对超高维稀疏数据（如文本）可能不如线性模型高效。

五.随机森林的应用场景

随机森林的稳健性和实用性，让它在各行各业都有广泛应用：

1. 分类任务

信用评分：银行用随机森林判断用户违约风险（特征：收入、负债、征信记录等）；
疾病诊断：根据患者的症状、检查指标预测是否患病（如癌症早期筛查）；
图像识别辅助：在特征提取后，用随机森林做分类（如识别垃圾邮件、欺诈交易）。

2. 回归任务

房价预测：结合面积、地段、房龄等特征预测房价；
销量预估：根据促销活动、季节、竞品价格预测商品销量；
风险评估：预测自然灾害（如洪水、地震）的损失金额。

3. 特征工程与数据探索

通过随机森林的特征重要性排序，筛选关键特征（如排除对预测无贡献的冗余特征）；
识别特征间的交互关系（如 "年龄 + 收入" 对消费能力的联合影响）。

4. 异常检测

利用 "袋外数据" 的预测误差，识别与多数样本模式不符的异常点（如信用卡欺诈交易）。

六.API参数

from sklearn.ensemble import RandomForestClassifier

随机森林参数源码如下：

1.关键参数

关键参数
- n_estimators：决策树数量（默认100）。
- max_depth：单棵树的最大深度（建议10-100）。
- min_samples_split：节点继续分裂的最小样本数（默认2）。
- max_features：控制每棵决策树在训练时使用的最大特征数量，可选值包括：
  - auto/sqrt：特征数量的平方根（如100个特征→10个）。
  - log2：以2为底的对数（如100个特征→log₂100）。
  - 整数：直接指定特征数量。
- bootstrap：采样方式：
  - True：有放回采样（默认），每次从80%数据中随机抽取。
  - False：无放回采样，从剩余数据中逐步抽取。
- n_jobs：并行计算设置：
  - 1：单核运行。
  - -1：使用全部CPU核心。

七.随机森林调优：让模型更上一层楼

要进一步提升随机森林的性能，关键在于参数调优。以下是几个核心参数及调优思路：

参数	作用	调优建议
`n_estimators`	决策树数量	从 50/100 开始，逐步增加至性能稳定（避免过大导致计算量激增）
`max_depth`	树的最大深度	限制深度防止过拟合（默认无限制，可设 10-30，视数据复杂度而定）
`max_features`	每棵树可用的最大特征数	分类任务默认√n，回归任务默认 n/2，可尝试 0.3-0.7 的比例
`min_samples_split`	分裂节点所需最小样本数	增大该值（如从 2 到 5）可降低过拟合风险
`min_samples_leaf`	叶节点最小样本数	同上，建议 3-10

八.垃圾邮件判断案例

1.数据集介绍

数据集：spambase.csv，用于垃圾邮件识别，包含4500行数据，57个特征列（A列到BED列），BFD列为标签结果（0和1）。
特征说明：
- 前48个连续特征为单词频率（如make、address、3d等），用于识别垃圾邮件关键词。
- 后6个连续特征为字符频率（如数字1、2等），用于监测QQ号、手机号等敏感字符。
- 其他特征包括：不间断大写字母序列的平均长度、连续整数的长度、大写字母总数等。

spambase.csv部分内容如下

2.读取数据，并划分数据

数据划分：80%训练集，20%测试集。

import pandas as pd
from sklearn.model_selection import train_test_splitdata = pd.read_csv('spambase.csv')
X=data.iloc[:,:-1]
y=data.iloc[:,-1]train_x,test_x,train_y,test_y=train_test_split(X,y,test_size=0.3,random_state=100)

3.随机森林模型训练

模型参数：
- 决策树数量（n_estimators）：设为150。
- 最大特征比例（max_features）：0.8。
- 随机种子（random_state）固定。

from sklearn.ensemble import RandomForestClassifier
from sklearn import metrics
rf=RandomForestClassifier(n_estimators=150,max_features=0.8,random_state=0
)
rf.fit(train_x,train_y)

4.测试模型

rf.fit(train_x,train_y)
print('===============自测报告==============')
self_predicted=rf.predict(train_x)
print(metrics.classification_report(train_y,self_predicted))
print('===============测试报告==============')
test_predicted=rf.predict(test_x)
print(metrics.classification_report(test_y,test_predicted))===============自测报告==============precision    recall  f1-score   support0       1.00      1.00      1.00      19751       1.00      1.00      1.00      1242accuracy                           1.00      3217macro avg       1.00      1.00      1.00      3217
weighted avg       1.00      1.00      1.00      3217===============测试报告==============precision    recall  f1-score   support0       0.94      0.96      0.95       8101       0.95      0.91      0.93       570accuracy                           0.94      1380macro avg       0.94      0.94      0.94      1380
weighted avg       0.94      0.94      0.94      1380

训练集准确率100%，测试集准确率为91%，未出现过拟合。
混淆矩阵和分类报告显示模型效果良好。

5.特征重要性排序

通过rf.feature_importance_获取57个特征的重要性

可视化：水平条形图展示前10个重要特征（使用plt.barh和pandas的sort_values方法）。

# 特征重要性排序
import matplotlib.pyplot as plt
import pandas as pd
# 设置中文显示
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
# 特征重要性分析
importances = rf.feature_importances_
# 创建特征重要性DataFrame
importance_df = pd.DataFrame({'特征名称': X.columns,  # 直接使用特征列名'重要性': importances
})# 按重要性降序排序并取前10
top10_features = importance_df.sort_values(by='重要性', ascending=False).head(10)# 绘制特征重要性条形图
plt.figure(figsize=(10, 6))
index = range(len(top10_features))
plt.yticks(index, top10_features['特征名称'])
plt.barh(index, top10_features['重要性'], color='skyblue')
plt.xlabel('特征重要性')
plt.title('随机森林模型特征重要性（前10）')
plt.gca().invert_yaxis()  # 让最重要的特征显示在顶部
plt.show()# 显示图形
plt.show()