如何使用Scikit Learn调整随机森林中的参数？

Question

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

我正在使用一个随机森林模型，包含9个样本和大约7000个属性。在这些样本中，我的分类器识别出3个类别。

我知道这远非理想条件，但我试图找出哪些属性在特征预测中最重要。哪些参数最适合优化功能重要性？

我尝试了不同的n_estimators并注意到“重要功能”（即feature_importances_数组中的非零值）的数量急剧增加。

我已经阅读了文档，但如果有人对此有任何经验，我想知道哪些参数最适合调整，并简要解释原因。

Answer 1

根据我的经验，按照重要性的顺序，使用sklearn RandomForestClassifier有三个值得探索的功能：

• n_estimators

• max_features

• criterion

n_estimators并不值得优化。你给它的估算越多，它就越好。通常足够500或1000。

max_features值得探索许多不同的价值观。它可能会对RF的行为产生很大影响，因为它决定了RF中每棵树在每次拆分时考虑的特征数量。

criterion可能会产生很小的影响，但通常默认情况很好。如果你有时间，试试吧。

在尝试使用这些参数时，请务必使用sklearn的GridSearch（最好是GridSearchCV，但数据集尺寸太小）。

如果我正确理解你的问题，你只有9个样本和3个类？大概每班3个样本？你的RF很可能会用少量的数据过度拟合，除非它们是好的，有代表性的记录。

Answer 2

关键部分通常有三个要素：

• 估算人数 - 通常森林越大越好，这里过度拟合的可能性很小
• 每棵树的最大深度（默认为无，导致完整树） - 减少最大深度有助于与过度拟合作斗争
• 每个拆分的最大特征数（默认sqrt（d）） - 您可能会玩一个，因为它会显着改变整个树的行为。 sqrt启发式通常是一个很好的起点，但实际的甜蜜点可能在其他地方

Answer 3

This精彩文章详细解释了可调参数，如何跟踪性能与速度权衡，一些实用技巧以及如何执行网格搜索。

Answer 4

其他人说，

n_estimators是好的。增加它时，它也很擅长处理过度拟合。

但我认为min_sample_split在处理小样本但功能较强的数据集中出现过度拟合时也很有用。