补充了随机森林内容

Author: jiangzhonglian

README.md

@@ -1,6 +1,7 @@
 # MachineLearning
 
-**Machine Learning in Action (python) | [ApacheCN(apache中文网)](http://www.apache.wiki)**
+* **欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远**
+* **Machine Learning in Action (python) | [ApacheCN(apache中文网)](http://www.apache.wiki)**
 
 ## 第一部分  分类
 
@@ -18,6 +19,8 @@
     * [支持向量机](./docs/6.支持向量机.md)
 * 7) 利用AdaBoost元算法提高分类
     * [利用AdaBoost元算法提高分类](./docs/7.利用AdaBoost元算法提高分类.md)
+* 7) 随机森林的使用(个人补充，非课本内容)
+    * [随机森林的使用](./docs/7.随机森林的使用.md)
 
 ## 第二部分  利用回归预测数值型数据
 

docs/7.随机森林的使用.md

@@ -0,0 +1,32 @@
+# 第7章 随机森林的使用(个人补充，非课本内容)
+
+## 基本介绍
+
+* 随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。
+* 决策树相当于一个大师，通过自己在数据集中学到的知识对于新的数据进行分类。但是俗话说得好，一个诸葛亮，玩不过三个臭皮匠。随机森林就是希望构建多个臭皮匠，希望最终的分类效果能够超过单个大师的一种算法。
+
+## 构造流程
+
+* 那随机森林具体如何构建呢？有两个方面：数据的随机性选取，以及待选特征的随机选取。
+
+> 数据的随机选取：
+
+```
+首先，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复。
+第二，利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果。
+最后，如果有了新的数据需要通过随机森林得到分类结果，就可以通过对子决策树的判断结果的投票，得到随机森林的输出结果了。
+如下图，假设随机森林中有3棵子决策树，2棵子树的分类结果是A类，1棵子树的分类结果是B类，那么随机森林的分类结果就是A类。
+```
+![数据重抽样](/images/7.RandomForest/数据重抽样.jpg)
+
+> 待选特征的随机选取
+
+```
+与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。
+下图中，蓝色的方块代表所有可以被选择的特征，也就是目前的待选特征。黄色的方块是分裂特征。左边是一棵决策树的特征选取过程，通过在待选特征中选取最优的分裂特征（别忘了前文提到的ID3算法，C4.5算法，CART算法等等），完成分裂。右边是一个随机森林中的子树的特征选取过程。
+```
+![特征重抽样](/images/7.RandomForest/特征重抽样.jpg)
+
+> 随机森林-流程图
+
+![随机森林-流程图](/images/7.RandomForest/RandomForest_Flow.jpg)

images/7.RandomForest/RandomForest_Flow.jpg

@@ -4,11 +4,13 @@
 '''
 Created 2017-04-25
 Random Forest Algorithm on Sonar Dataset
-@author: Flying_sfeng/jiangzhonglian
+@author: Flying_sfeng/片刻
+---
+源代码网址：http://www.tuicool.com/articles/iiUfeim
+Flying_sfeng博客地址：http://blog.csdn.net/flying_sfeng/article/details/64133822
+在此表示感谢你的代码和注解， 我重新也完善了你的注解
 '''
 from random import seed, randrange, random
-from math import sqrt
-from math import log
 
 
 # 导入csv文件
@@ -32,27 +34,29 @@ def loadDataSet(filename):
     return dataset
 
 
-# Split a dataset into k folds
-def cross_validation_split(dataset, n_folds):  #将数据集dataset分成n_flods份，每份包含len(dataset) / n_folds个值，每个值由dataset数据集的内容随机产生，每个值被使用一次
+def cross_validation_split(dataset, n_folds):
+    """cross_validation_split(将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的)
+
+    Args:
+        dataset     原始数据集
+        n_folds     数据集dataset分成n_flods份
+    Returns:
+        dataset_split    list集合，存放的是：将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的
+    """
     dataset_split = list()
     dataset_copy = list(dataset)  #复制一份dataset,防止dataset的内容改变
     fold_size = len(dataset) / n_folds
     for i in range(n_folds):
         fold = list()   #每次循环fold清零，防止重复导入dataset_split
         while len(fold) < fold_size:   #这里不能用if，if只是在第一次判断时起作用，while执行循环，直到条件不成立
+            # 有放回的随机采样，有一些样本被重复采样，从而在训练集中多次出现，有的则从未在训练集中出现，此则自助采样法。从而保证每棵决策树训练集的差异性            
             index = randrange(len(dataset_copy))
-            fold.append(dataset_copy.pop(index))  #将对应索引index的内容从dataset_copy中导出，并将该内容从dataset_copy中删除。pop() 函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。
+            # 将对应索引index的内容从dataset_copy中导出，并将该内容从dataset_copy中删除。
+            # pop()函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。
+            fold.append(dataset_copy.pop(index))
         dataset_split.append(fold)
-    return dataset_split    #由dataset分割出的n_folds个数据构成的列表，为了用于交叉验证
-
-
-# Calculate accuracy percentage  
-def accuracy_metric(actual, predicted):  #导入实际值和预测值，计算精确度
-    correct = 0
-    for i in range(len(actual)):
-        if actual[i] == predicted[i]:
-            correct += 1
-    return correct / float(len(actual)) * 100.0
+    # 由dataset分割出的n_folds个数据构成的列表，为了用于交叉验证
+    return dataset_split
 
 
 # Split a dataset based on an attribute and an attribute value #根据特征和特征值分割数据集
@@ -79,12 +83,12 @@ def gini_index(groups, class_values):   #个人理解：计算代价，分类越
     return gini
 
 
-# Select the best split point for a dataset  #找出分割数据集的最优特征，得到最优的特征index，特征值row[index]，以及分割完的数据groups（left,right）
+# 找出分割数据集的最优特征，得到最优的特征index，特征值row[index]，以及分割完的数据groups（left,right）
 def get_split(dataset, n_features):
     class_values = list(set(row[-1] for row in dataset))  #class_values =[0,1]
     b_index, b_value, b_score, b_groups = 999, 999, 999, None
     features = list()
-    while len(features) < n_features:   
+    while len(features) < n_features:
         index = randrange(len(dataset[0])-1)  #往features添加n_features个特征（n_feature等于特征数的根号），特征索引从dataset中随机取
         if index not in features:
             features.append(index)
@@ -132,8 +136,22 @@ def split(node, max_depth, min_size, n_features, depth):  #max_depth = 10，min_
 
 # Build a decision tree
 def build_tree(train, max_depth, min_size, n_features):
-    #root = get_split(dataset, n_features)
+    """build_tree(创建一个决策树)
+
+    Args:
+        train           训练数据集
+        max_depth       决策树深度不能太深，不然容易导致过拟合
+        min_size        叶子节点的大小
+        n_features      选取的特征的个数
+    Returns:
+        root            返回决策树
+    """
+
+    # 返回最有列和相关的信息
     root = get_split(train, n_features)
+
+    # 对左右2变的数据 进行递归的调用，由于最优特征使用过，所以在后面进行使用的时候，就没有意义了
+    # 例如： 性别-男女，对男使用这一特征就没任何意义了
     split(root, max_depth, min_size, n_features, 1)
     return root
 
@@ -154,46 +172,124 @@ def predict(node, row):   #预测模型分类结果
 
 # Make a prediction with a list of bagged trees
 def bagging_predict(trees, row):
-    predictions = [predict(tree, row) for tree in trees]  #使用多个决策树trees对测试集test的第row行进行预测，再使用简单投票法判断出该行所属分类
+    """bagging_predict(bagging预测)
+
+    Args:
+        trees           决策树的集合
+        row             测试数据集的每一行数据
+    Returns:
+        返回随机森林中，决策树结果出现次数做大的
+    """
+
+    # 使用多个决策树trees对测试集test的第row行进行预测，再使用简单投票法判断出该行所属分类
+    predictions = [predict(tree, row) for tree in trees]
     return max(set(predictions), key=predictions.count)
 
 
 # Create a random subsample from the dataset with replacement
 def subsample(dataset, ratio):   #创建数据集的随机子样本
+    """random_forest(评估算法性能，返回模型得分)
+
+    Args:
+        dataset         训练数据集
+        ratio           训练数据集的样本比例
+    Returns:
+        sample          随机抽样的训练样本
+    """
+
     sample = list()
-    n_sample = round(len(dataset) * ratio)   #round() 方法返回浮点数x的四舍五入值。
+    # 训练样本的按比例抽样。
+    # round() 方法返回浮点数x的四舍五入值。
+    n_sample = round(len(dataset) * ratio)
     while len(sample) < n_sample:
-        index = randrange(len(dataset))  #有放回的随机采样，有一些样本被重复采样，从而在训练集中多次出现，有的则从未在训练集中出现，此则自助采样法。从而保证每棵决策树训练集的差异性
+        # 有放回的随机采样，有一些样本被重复采样，从而在训练集中多次出现，有的则从未在训练集中出现，此则自助采样法。从而保证每棵决策树训练集的差异性
+        index = randrange(len(dataset))
         sample.append(dataset[index])
     return sample
 
 
 # Random Forest Algorithm
 def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features):
+    """random_forest(评估算法性能，返回模型得分)
+
+    Args:
+        train           训练数据集
+        test            测试数据集
+        max_depth       决策树深度不能太深，不然容易导致过拟合
+        min_size        叶子节点的大小
+        sample_size     训练数据集的样本比例
+        n_trees         决策树的个数
+        n_features      选取的特征的个数
+    Returns:
+        predictions     每一行的预测结果，bagging 预测最后的分类结果
+    """
+
     trees = list()
-    for i in range(n_trees):   #n_trees表示决策树的数量
-        sample = subsample(train, sample_size)  #随机采样保证了每棵决策树训练集的差异性
-        tree = build_tree(sample, max_depth, min_size, n_features)  #建立一个决策树
+    # n_trees表示决策树的数量
+    for i in range(n_trees):
+        # 随机抽样的训练样本， 随机采样保证了每棵决策树训练集的差异性
+        sample = subsample(train, sample_size)
+        # 创建一个决策树
+        tree = build_tree(sample, max_depth, min_size, n_features)
         trees.append(tree)
+
+    # 每一行的预测结果，bagging 预测最后的分类结果
     predictions = [bagging_predict(trees, row) for row in test]
-    return(predictions)
+    return predictions
 
 
-# Evaluate an algorithm using a cross validation split   
-def evaluate_algorithm(dataset, algorithm, n_folds, *args):   #评估算法性能，返回模型得分
+# Calculate accuracy percentage
+def accuracy_metric(actual, predicted):  #导入实际值和预测值，计算精确度
+    correct = 0
+    for i in range(len(actual)):
+        if actual[i] == predicted[i]:
+            correct += 1
+    return correct / float(len(actual)) * 100.0
+
+
+# 评估算法性能，返回模型得分
+def evaluate_algorithm(dataset, algorithm, n_folds, *args):
+    """evaluate_algorithm(评估算法性能，返回模型得分)
+
+    Args:
+        dataset     原始数据集
+        algorithm   使用的算法
+        n_folds     树的个数
+        *args       其他的参数
+    Returns:
+        scores      模型得分
+    """
+
+    # 将数据集进行抽重抽样 n_folds 份，数据可以重复重复抽取，每一次list的元素是无重复的
     folds = cross_validation_split(dataset, n_folds)
     scores = list()
-    for fold in folds:   #每次循环从folds从取出一个fold作为测试集，其余作为训练集，遍历整个folds，实现交叉验证
+    # 每次循环从folds从取出一个fold作为测试集，其余作为训练集，遍历整个folds，实现交叉验证
+    for fold in folds:
         train_set = list(folds)
         train_set.remove(fold)
-        train_set = sum(train_set, [])   #将多个fold列表组合成一个train_set列表
+        # 将多个fold列表组合成一个train_set列表, 类似 union all
+        """
+        In [20]: l1=[[1, 2, 'a'], [11, 22, 'b']]
+        In [21]: l2=[[3, 4, 'c'], [33, 44, 'd']]
+        In [22]: l=[]
+        In [23]: l.append(l1)
+        In [24]: l.append(l2)
+        In [25]: l
+        Out[25]: [[[1, 2, 'a'], [11, 22, 'b']], [[3, 4, 'c'], [33, 44, 'd']]]
+        In [26]: sum(l, [])
+        Out[26]: [[1, 2, 'a'], [11, 22, 'b'], [3, 4, 'c'], [33, 44, 'd']]
+        """
+        train_set = sum(train_set, [])
         test_set = list()
-        for row in fold:   #fold表示从原始数据集dataset提取出来的测试集
+        # fold表示从原始数据集dataset提取出来的测试集
+        for row in fold:
             row_copy = list(row)
             test_set.append(row_copy)
             row_copy[-1] = None
         predicted = algorithm(train_set, test_set, *args)
         actual = [row[-1] for row in fold]
+
+        # 计算随机森林的预测结果的正确率
         accuracy = accuracy_metric(actual, predicted)
         scores.append(accuracy)
     return scores
@@ -205,18 +301,17 @@ def evaluate_algorithm(dataset, algorithm, n_folds, *args):   #评估算法性
     dataset = loadDataSet('input/7.RandomForest/sonar-all-data.txt')
     # print dataset
 
-    n_folds = 5   #分成5份数据，进行交叉验证
-    #max_depth = 10 #递归十次
-    max_depth = 20 #调参（自己修改） #决策树深度不能太深，不然容易导致过拟合
-    min_size = 1
-    sample_size = 1.0
-    #n_features = int(sqrt(len(dataset[0])-1))
-    n_features =15  #调参（自己修改） #准确性与多样性之间的权衡
-    for n_trees in [1,5,10]:  #理论上树是越多越好
+    n_folds = 5        # 分成5份数据，进行交叉验证
+    max_depth = 20     # 调参（自己修改） #决策树深度不能太深，不然容易导致过拟合
+    min_size = 1       # 决策树的叶子节点最少的元素数量
+    sample_size = 1.0  # 做决策树时候的样本的比例
+    # n_features = int(sqrt(len(dataset[0])-1))
+    n_features =15     # 调参（自己修改） #准确性与多样性之间的权衡
+    for n_trees in [1, 5, 10]:  # 理论上树是越多越好
         scores = evaluate_algorithm(dataset, random_forest, n_folds, max_depth, min_size, sample_size, n_trees, n_features)
         # 每一次执行本文件时都能产生同一个随机数
         seed(1)
         print 'random=', random()
-        print('Trees: %d' % n_trees)
-        print('Scores: %s' % scores)
-        print('Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores))))
+        print 'Trees: %d' % n_trees
+        print 'Scores: %s' % scores
+        print 'Mean Accuracy: %.3f%%' % (sum(scores)/float(len(scores)))