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)

我正在使用具有 9 个样本和大约 7000 个属性的随机森林模型。在这些样本中，我的分类器识别了 3 个类别。

我知道这远非理想条件，但我正在尝试找出哪些属性在特征预测中最重要。哪些参数最适合调整以优化特征重要性？

我尝试了不同的 n_estimators 并注意到 "significant features" 的数量（即 feature_importances_ 数组中的非零值）急剧增加。

我已经通读了文档，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

关键部分通常是三个要素：

• 估算器数量 - 通常森林越大越好，这里出现过拟合的可能性很小
• 每棵树的最大深度（默认none，导致整棵树）——减少最大深度有助于对抗过度拟合
• 每个拆分的最大特征（默认值 sqrt(d)）- 你可能会尝试一下，因为它会显着改变整棵树的行为。 sqrt 启发式通常是一个很好的起点，但真正的最佳点可能在其他地方

Answer 2

根据我的经验，sklearn RandomForestClassifier 有三个值得探索的特性，按重要性排序：

• n_estimators

• max_features

• criterion

n_estimators 真的不值得优化。你给它的估算器越多，它就会做得越好。 500 或 1000 通常就足够了。

max_features 值得探索许多不同的值。它可能对 RF 的行为有很大影响，因为它决定了 RF 中的每棵树在每次拆分时考虑了多少特征。

criterion可能会有一点影响，但通常默认就可以了。有空的话试试看吧

确保在尝试这些参数时使用 sklearn 的 GridSearch（最好是 GridSearchCV，但您的数据集太小）。

不过，如果我没有正确理解你的问题，你只有 9 个样本和 3 个 classes？大概每个 class 有 3 个样本？除非它们是好的、有代表性的记录，否则您的 RF 很可能会过度拟合那么少量的数据。

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的权衡、一些实用技巧以及如何执行网格搜索。

Answer 4

n_estimators 是别人说的好。增加的时候也很好处理过拟合。

但我认为min_sample_split在处理小样本但大特征数据集中发生的过度拟合时也很有帮助。