随机森林算法OOB_SCORE最佳特征选择

随机森林算法OOB_SCORE最佳特征选择

RandomForest算法（有监督学习），可以根据输入数据，选择最佳特征组合，减少特征冗余；
原理：由于随机决策树生成过程采用的Boostrap，所以在一棵树的生成过程并不会使用所有的样本，未使用的样本就叫（Out_of_bag）袋外样本，通过袋外样本，可以评估这个树的准确度，其他子树叶按这个原理评估，最后可以取平均值，即是随机森林算法的性能；
特征选择原理：因为袋外样本的存在，因此不需要进行十字交叉测试（节省时间），通过依次对每个特征赋予一个随机数，观察算法性能的变化，倘若变化大，则说明该特征重要，sklearn中会对每个特征赋予一个分数，分数越大，特征越重要，因此，可以根据特征重要性排序，然后选择最佳特征组合；
随机森林算法特征维度，不同于PCA，随机森林算法能够考虑到特征对类别的影响，而PCA是单纯的数据方差；但是随机森林的缺点是需要迭代计算，如果在大数据条件下，进行选择，就难免有点捉襟见肘了；与LDA区别在于：LDA根据标签，通过变换将同标签数据距离缩小，将累间距离方法；LDA是一种有监督方法，PCA属于无监督方法；
以上是原理和一些个人见解；现在上代码；已经在工作中跑了，学了Python的应该都能看懂，只要改一下数据路径，初始特征选择数量等就可以使用，不懂的可以问我，博客会常在的, 没全部注释！
还有另外一个特征选择，就是通过利用oob对每个特征，迭代进行，评估分数，然后做一个排序，分数越高，特征越重要，然后利用分数由到到低，进行组合，在看模型是否精度是否发生变化，从而选择最优特征组合，这是另一个方法，也是一下代码的由来；

"""

Created on Mon Mar 19 20:22:09 2018

@author: test

function: iteritor for features combintaion

date:2018/3/19

"""

import copy

import sys

import pandas as pd

import numpy as np

from sklearn.ensemble import RandomForestClassifier

data = pd.read_csv(r"C:\Users\huzhipeng_sx\Desktop\data", header=None, sep='\t')

y_train = data[0].values

X_train = data.drop(0, axis=1).values

X_train = pd.DataFrame(np.delete(X_train, -5, axis=1))

features_name = ['a', 'b', 'c']

rf = RandomForestClassifier(n_estimators=200, oob_score=True)

rf.fit(X_train, y_train)

features_imp = rf.feature_importances_

X_train = X_train.as_matrix()  # 输入要是数组，不然无法切片，报错slice

def select_combine(X_train, y_train, features_name, features_imp, select_num):

oob_result = []

fea_result = []

features_imp = list(features_imp)

iter_count = X_train.shape[1] - select_num  # 迭代次数

if iter_count < 0:

print("select_nume must less or equal X_train columns")

else:

features_test = copy.deepcopy(features_imp)  # 生成一个排序特征，进行筛选

features_test.sort()

features_test.reverse()

while iter_count >= 0:

iter_count -= 1

train_index = [features_imp.index(j) for j in features_test[:select_num]]

train_feature_name = [features_name[k] for k in train_index][0]

train_data = X_train[:, train_index]

rf.fit(train_data, y_train)

acc = rf.oob_score_

print(acc)

oob_result.append(acc)

fea_result.append(train_index)

if select_num < X_train.shape[1]:

select_num += 1

else:

break

return max(oob_result), oob_result, fea_result[oob_result.index(max(oob_result))]

select_num = 20

max_result, oob_result, fea_result = select_combine(X_train, y_train, features_name, features_imp, select_num)

本文链接：https: // blog.csdn.net / zehui6202 / article / details / 79625639