Go to Qiita Advent Calendar 2024 Top
LoginSignup
1
3

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

@maskot1977(Ikemen Mas Kot)

ランダムフォレスト

Posted at

2016年に作った資料を公開します。もう既にいろいろ古くなってる可能性が高いです。

import numpy as np
#import sklearn.ensemble as ske
import matplotlib.pyplot as plt
from sklearn import svm, grid_search, datasets
from sklearn.ensemble import RandomForestClassifier as RFC
import pandas as pd
%matplotlib inline
import random
from sklearn.metrics import confusion_matrix
from sklearn import cross_validation as cv
from sklearn.utils import shuffle

データをロードしてシャッフル

# データをロードしてシャッフル
iris = datasets.load_iris()
data,target=shuffle(iris.data,iris.target)

ランダムフォレスト分類器の作成

# ランダムフォレスト分類器の作成
classifier=RFC()

２分割クロスバリデーション

# ２分割クロスバリデーション
n_samples, n_features = data.shape
half = n_samples / 2
# シャッフル後のデータの前半を用いて学習する
classifier.fit(data[:half],target[:half])

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
            max_depth=None, max_features='auto', max_leaf_nodes=None,
            min_samples_leaf=1, min_samples_split=2,
            min_weight_fraction_leaf=0.0, n_estimators=10, n_jobs=1,
            oob_score=False, random_state=None, verbose=0,
            warm_start=False)

シャッフル後のデータの後半を予測する

# シャッフル後のデータの後半を予測する
pred = classifier.predict(data[half:])
pred

array([1, 0, 2, 0, 2, 2, 1, 1, 1, 2, 2, 0, 0, 2, 1, 0, 0, 2, 1, 0, 1, 1, 2,
       0, 0, 1, 1, 1, 2, 2, 2, 2, 1, 2, 0, 2, 0, 0, 2, 0, 2, 2, 2, 2, 1, 0,
       0, 2, 1, 2, 0, 2, 0, 2, 0, 0, 2, 1, 0, 2, 1, 2, 1, 0, 1, 0, 2, 2, 0,
       1, 1, 0, 0, 2, 1])

正解はこちら

# 正解はこちら
target_test = target[half:]
target_test

array([1, 0, 2, 0, 2, 2, 1, 1, 1, 2, 2, 0, 0, 1, 1, 0, 0, 2, 1, 0, 1, 1, 2,
       0, 0, 1, 1, 1, 2, 2, 2, 2, 1, 1, 0, 2, 0, 0, 2, 0, 2, 2, 2, 2, 1, 0,
       0, 2, 1, 2, 0, 2, 0, 2, 0, 0, 2, 1, 0, 2, 1, 2, 1, 0, 1, 0, 2, 2, 0,
       1, 1, 0, 0, 2, 1])

予測と正解の比較。第一引数が行、第二引数が列を表す。

# 予測と正解の比較。第一引数が行、第二引数が列を表す。
#pd.DataFrame(confusion_matrix([0, 0, 0],[1,1,1])) #縦横が分からなくなったらこれを実行する
pd.DataFrame(confusion_matrix(pred, target_test))
0 1 2
0 25 0 0
1 0 21 0
2 0 2 27 
# cv=5 で５分割クロスバリデーションし精度を計算
score=cv.cross_val_score(classifier,data,target,cv=5,n_jobs=-1)
print("Accuracy: {0:04.4f} (+/- {1:04.4f})".format(score.mean(),score.std()))

Accuracy: 0.9400 (+/- 0.0389)

#どのレコードがどのラベルっぽいか予測された数字。

#どのレコードがどのラベルっぽいか予測された数字。
pd.DataFrame(classifier.predict_proba(data[half:])).T
0 1 2 3 4 5 6 7 8 9 ... 65 66 67 68 69 70 71 72 73 74
0 0 1 0 1 0 0 0 0 0 0 ... 1 0 0 1 0 0 1 0.9 0 0
1 1 0 0 0 0 0 1 1 1 0 ... 0 0 0 0 1 1 0 0.1 0 1
2 0 0 1 0 1 1 0 0 0 1 ... 0 1 1 0 0 0 0 0.0 1 0

3 rows × 75 columns

各説明変数の寄与度

# 各説明変数の寄与度
classifier.feature_importances_

array([ 0.07622649,  0.04457678,  0.43818701,  0.44100972])

寄与度の大きい順に並べる

# 寄与度の大きい順に並べる
ranking = np.argsort(classifier.feature_importances_)[::-1]
ranking

array([3, 2, 0, 1])

大きい順に並んだ寄与度

# 大きい順に並んだ寄与度
important_features = classifier.feature_importances_[ranking]
important_features

array([ 0.44100972,  0.43818701,  0.07622649,  0.04457678])

寄与度の大きい成分

# 寄与度の大きい成分
ax = plt.subplot(111)
plt.bar(np.arange(len(important_features)),
       important_features, width=1, lw=2)
ax.set_xticks(np.arange(len(important_features))+.5)
ax.set_xticklabels([iris.feature_names[n] for n in ranking], rotation='vertical')
plt.xlim(0, len(important_features))

(0, 4)

output_12_1.png

予測を難しくするため、不要な特徴量（ノイズ）を加える

# 予測を難しくするため、不要な特徴量（ノイズ）を加える
m = 96
np.random.seed(0)
data = np.c_[data, np.random.randn(n_samples, m)]
feature_names = iris.feature_names
for i in range(96):
    feature_names.append(i)

データの前半を用いて学習する

# データの前半を用いて学習する
classifier.fit(data[:half],target[:half])

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
            max_depth=None, max_features='auto', max_leaf_nodes=None,
            min_samples_leaf=1, min_samples_split=2,
            min_weight_fraction_leaf=0.0, n_estimators=10, n_jobs=1,
            oob_score=False, random_state=None, verbose=0,
            warm_start=False)

データの後半を予測する

# データの後半を予測する
pred = classifier.predict(data[half:])
pred

array([1, 0, 2, 0, 1, 2, 1, 1, 1, 2, 2, 0, 0, 2, 1, 0, 0, 1, 1, 0, 1, 1, 2,
       0, 0, 2, 1, 1, 2, 1, 1, 1, 1, 2, 0, 1, 0, 0, 1, 0, 2, 2, 1, 2, 1, 0,
       0, 2, 2, 2, 0, 2, 0, 2, 0, 0, 2, 1, 0, 2, 1, 1, 1, 0, 1, 0, 2, 1, 0,
       1, 1, 0, 0, 2, 2])

正解はこちら

# 正解はこちら
target_test = target[half:]
target_test

array([1, 0, 2, 0, 2, 2, 1, 1, 1, 2, 2, 0, 0, 1, 1, 0, 0, 2, 1, 0, 1, 1, 2,
       0, 0, 1, 1, 1, 2, 2, 2, 2, 1, 1, 0, 2, 0, 0, 2, 0, 2, 2, 2, 2, 1, 0,
       0, 2, 1, 2, 0, 2, 0, 2, 0, 0, 2, 1, 0, 2, 1, 2, 1, 0, 1, 0, 2, 2, 0,
       1, 1, 0, 0, 2, 1])

予測と正解の比較。第一引数が行、第二引数が列を表す。

# 予測と正解の比較。第一引数が行、第二引数が列を表す。
#pd.DataFrame(confusion_matrix([0, 0, 0],[1,1,1])) #縦横が分からなくなったらこれを実行する
pd.DataFrame(confusion_matrix(pred, target_test))
0 1 2
0 25 0 0
1 0 18 10
2 0 5 17

cv=5 で５分割クロスバリデーションし精度を計算。さっきよりは下がったはず

# cv=5 で５分割クロスバリデーションし精度を計算。さっきよりは下がったはず
score=cv.cross_val_score(classifier,data,target,cv=5,n_jobs=-1)
print("Accuracy: {0:04.4f} (+/- {1:04.4f})".format(score.mean(),score.std()))

Accuracy: 0.8733 (+/- 0.0389)

#どのレコードがどのラベルっぽいか予測された数字。

#どのレコードがどのラベルっぽいか予測された数字。
pd.DataFrame(classifier.predict_proba(data[half:])).T
0 1 2 3 4 5 6 7 8 9 ... 65 66 67 68 69 70 71 72 73 74
0 0.1 0.9 0.1 0.9 0.1 0.1 0.0 0.0 0.1 0.0 ... 0.9 0.2 0.1 0.8 0.1 0.0 0.9 0.5 0.2 0.2
1 0.7 0.1 0.4 0.0 0.5 0.3 0.5 0.5 0.6 0.4 ... 0.1 0.3 0.8 0.2 0.6 0.5 0.1 0.4 0.3 0.3
2 0.2 0.0 0.5 0.1 0.4 0.6 0.5 0.5 0.3 0.6 ... 0.0 0.5 0.1 0.0 0.3 0.5 0.0 0.1 0.5 0.5

3 rows × 75 columns

どの変数の寄与度が大きいか。（加えたノイズは寄与度が低くなるはず）

# どの変数の寄与度が大きいか。（加えたノイズは寄与度が低くなるはず）
ranking = np.argsort(classifier.feature_importances_)[::-1]
important_features = classifier.feature_importances_[ranking]
plt.figure(figsize=(20, 10))
ax = plt.subplot(111)
plt.bar(np.arange(len(important_features)),
       important_features, width=1, lw=2)
ax.set_xticks(np.arange(len(important_features))+.5)
ax.set_xticklabels([iris.feature_names[n] for n in ranking], rotation='vertical')
plt.xlim(0, len(important_features))

(0, 100)

output_20_1.png

ベストなパラメーターを探し当てるためのグリッドサーチ

# ベストなパラメーターを探し当てるためのグリッドサーチ
parameters = {
        'n_estimators'      : [50, 100], # The number of trees in the forest.
        #'max_features'      : [3, 5, 10, 15, 20], # The number of features to consider when looking for the best split:
        # 'random_state'      : [0],
        'n_jobs'            : [-1],
        'min_samples_split' : [10, 30],
        'max_depth'         : [10, 30],
        'criterion' : ['gini', 'entropy']
}
clf = grid_search.GridSearchCV(classifier, parameters)
clf.fit(data, target)
 
print(clf.best_estimator_)

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
            max_depth=30, max_features='auto', max_leaf_nodes=None,
            min_samples_leaf=1, min_samples_split=10,
            min_weight_fraction_leaf=0.0, n_estimators=100, n_jobs=-1,
            oob_score=False, random_state=None, verbose=0,
            warm_start=False)
1
3
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
1
3

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?