标签: random-forest

我使用来自python的scikit lib的随机森林的分类器来做我的练习.结果会改变每个运行时间.所以我运行1000次并获得平均结果.

我将对象rf保存到文件中以便稍后通过pickle.dump()进行预测,并获得大约4MB的文件.但是,sys.getsizeof(rf)只给我36个字节

rf = RandomForestClassifier(n_estimators = 50)
rf.fit(matX, vecY)
pickle.dump(rf,'var.sav')

我的问题:

• 获取RandomForestClassifier对象的大小似乎是错误的sys.getsizeof(),不是吗？为什么？
• 如何在zip文件中保存对象,使其尺寸更小？

我想知道是否以及如何使用python生成器作为scikit-learn分类器的.fit()函数的数据输入？由于数据量巨大,这似乎对我有意义.

特别是我即将实施随机森林方法.

问候K.

我使用Weka lib和Random Forest实现了一个小的java应用程序.我已经训练了一些带有样本数据的分类器,并获得了大约85%的精确度.但是,当我使用快速随机森林(https://code.google.com/p/fast-random-forest/)时,它会开始抛出错误.

我已经实现了快速随机森林并使用当前的jar文件构建它.但是,当我们评估训练数据上的分类器时,它会不断出现以下错误:

 "The method evaluateModel(Classifier, Instances, Object...) 
  in the type Evaluation is not applicable for the arguments 
  (FastRandomForest, Instances) "

对于这个当前代码:

    FastRandomForest rTree = new FastRandomForest();        
    rTree.buildClassifier(trainingData);

    showTree(rTree);

    System.out.println("records: " + trainingData.attribute(classIndex));
    System.out.println("number of instances: " + trainingData.numInstances());
    System.out.println(trainingData.instance(1));
    System.out.println("target: " + trainingData.classAttribute());
    //System.out.println(rTree.classifyInstance(trainingData.instance(1)));


    /* Evaluate the classifier on Training data */
    Evaluation eTest = new Evaluation(trainingData);
    eTest.evaluateModel(rTree, trainingData); 
    String strSummary = eTest.toSummaryString(); 
    System.out.println(strSummary);

帮助赞赏!!

我有一些分类器是使用Grid Search创建的，其他分类器是直接创建为Random Forests 的。

随机森林返回 type sklearn.ensemble.forest.RandomForestClassifier，使用 gridSearch 创建的随机森林返回 type sklearn.grid_search.RandomizedSearchCV。

我正在尝试以编程方式检查估计器的类型（以确定是否需要best_estimator_对特征重要性使用），但似乎找不到这样做的好方法。

if type(estimator) == 'sklearn.grid_search.RandomizedSearchCV' 是我的第一个猜测，但显然是错误的。

我正在尝试运行 MLLIB 的随机森林模型，但遇到一些越界异常：

15/09/15 01:53:56 INFO scheduler.DAGScheduler: ResultStage 5 (collect at DecisionTree.scala:977) finished in 0.147 s
15/09/15 01:53:56 INFO scheduler.DAGScheduler: Job 5 finished: collect at DecisionTree.scala:977, took 0.161129 s
15/09/15 01:53:57 INFO rdd.MapPartitionsRDD: Removing RDD 4 from persistence list
15/09/15 01:53:57 INFO storage.BlockManager: Removing RDD 4
Traceback (most recent call last):
  File "/root/random_forest/random_forest_spark.py", line 142, in <module>
    main()
  File "/root/random_forest/random_forest_spark.py", line 121, in main
    trainModel(dset)
  File "/root/random_forest/random_forest_spark.py", line 136, in trainModel
    impurity='gini', maxDepth=4, maxBins=32)
  File "/root/spark/python/lib/pyspark.zip/pyspark/mllib/tree.py", line 352, in trainClassifier …

我想用我的训练数据集的修改版本运行我的随机森林。我的训练数据包含不同的列，其中一列attribute使用 0-6 的值调用。我的想法是只删除0并使用以下代码保留其余部分：

training_data4 <- training_data3[!training_data3$attribute == "0", ]

但是，当我使用训练数据运行随机森林时，我收到以下错误消息：

rf200 <- randomForest(attribute ~ ., data=training_data4, importance=T, 
                      proximity=F, ntree=200 )

randomForest.default(m, y, ...) 中的错误：y 中不能有空类

我已经知道我的 肯定有问题training_data4，因为我已经用我的原始训练集尝试过它并且没有这个问题。

H2O 中的随机森林实现与标准随机森林库之间有性能差异吗？

有没有人对这两种实现进行过或分析过。

可能是一个非常愚蠢的问题，所以对我来说很容易，但我走了。

所以这就是我的数据的样子......

date,locale,category,site,alexa_rank,sessions,user_logins
20170110,US,1,google,1,500,5000
20170110,EU,1,google,2,400,2000
20170111,US,2,facebook,2,400,2000

... 等等。这只是我想出的一个玩具数据集，但它类似于原始数据。

我正在尝试使用 sklearn 的RandomForestRegressor.

我做通常的事情，将类别编码为标签，并且我已经在一年的前八个月训练了我的模型，现在我想预测第九个月的登录和会话。我创建了一个接受登录训练的模型和另一个接受会话训练的模型。

我的测试数据集的形式相同：

date,locale,category,site,alexa_rank,sessions,user_logins
20170910,US,1,google,1,500,5000
20170910,EU,1,google,2,400,2000
20170911,US,2,facebook,2,400,2000

理想情况下，我希望在没有我需要预测的列的情况下传入测试数据集，但 RandomForestRegressor 抱怨训练集和测试集之间的维度不同。

当我以当前形式传递测试数据集时，模型会在大多数情况下预测和列中的确切值，否则预测值会有微小的变化。sessionsuser_logins

我将测试数据中的sessions和user_logins列归零 并将其传递给模型，但模型预测几乎全部为零。

• 我的工作流程是否正确？我是否正确使用了 RandomForestRegressor？
• 当我的测试数据集确实包含实际值时，我如何与实际值如此接近？预测中是否使用了测试数据中的实际值？
• 如果模型正常工作，如果我将要预测的列（sessions和user_logins）归零，我是否应该得到相同的预测值？

我希望可视化使用scikit learn中的任何集合方法构建的回归树(gradientboosting regressor,random forest regressor,bagging regressor). 我已经看过这个问题了,这个问题 涉及分类树.但是这些问题需要"树"方法,这在SKLearn的回归模型中是不可用的.

但它似乎没有产生结果.我遇到了问题,因为.tree这些树的回归版本没有方法(该方法仅适用于分类版本).我想要一个类似于此的输出,但是基于sci kit学习构造的树.

我已经探索了与对象相关的方法,但却无法产生答案.

我使用以下代码创建scikit RandomForest 模型并对其进行训练然后保存：

import pandas as pd 
import sklearn
from pandas import Series, DataFrame
from sklearn.model_selection import train_test_split
import sklearn.metrics
from sklearn.ensemble import RandomForestClassifier
import pickle

data = pd.read_csv("data_30000_30.csv")
data.head() #Just to give you an idea about how my CSV file looks like
feature_cols = ["width1", "width2", "width3", "width4", "width5", "width6", "width7", "width8", "width9", "width10"]

x = data[feature_cols]
y = data.label
x_train, x_test, y_train, y_test = train_test_split(x, y , test_size = 0.3)



classifier = RandomForestClassifier(n_estimators = 100)
classifier.fit(x_train, …

我正在使用在每次迭代时生成数据的环境。我想保留先前迭代中的模型并向现有模型添加新数据。
我想了解模型拟合的工作原理。它是将新数据与现有模型拟合，还是使用新数据创建新模型。

调用 fit 新数据：

clf = RandomForestClassifier(n_estimators=100)
for i in customRange:
    get_data()
    clf.fit(new_train_data) #directly fitting new train data
    clf.predict(new_test_data)

或者保存火车数据的历史并调用所有历史数据的拟合是唯一的解决方案

clf = RandomForestClassifier(n_estimators=100)
global_train_data = new dict()
for i in customRange:
    get_data()
    global_train_data.append(new_train_data)  #Appending new train data 
    clf.fit(global_train_data) #Fitting on global train data
    clf.predict(new_test_data)

我的目标是有效地训练模型，所以我不想浪费 CPU 时间重新学习模型。

我想确认正确的方法，还想知道该方法在所有分类器中是否一致