Python實現(xiàn)隨機森林回歸與各自變量重要性分析與排序

更新時間：2023年02月19日 10:10:24 作者：瘋狂學習GIS

這篇文章主要為大家詳細介紹了在Python環(huán)境中，實現(xiàn)隨機森林（Random Forest，RF）回歸與各自變量重要性分析與排序的過程，感興趣的小伙伴可以了解一下

1 代碼分段講解

1.1 模塊與數(shù)據(jù)準備

首先，導入所需要的模塊。在這里，需要pydot與graphviz這兩個相對不太常用的模塊，即使我用了Anaconda，也需要單獨下載、安裝。具體下載與安裝，如果同樣是在用Anaconda，大家就參考Python pydot與graphviz庫在Anaconda環(huán)境的配置即可。

import pydot
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
from sklearn import metrics
from openpyxl import load_workbook
from sklearn.tree import export_graphviz
from sklearn.ensemble import RandomForestRegressor

接下來，我們將代碼接下來需要用的主要變量加以定義。這一部分大家先不用過于在意，瀏覽一下繼續(xù)向下看即可；待到對應(yīng)的變量需要運用時我們自然會理解其具體含義。

train_data_path='G:/CropYield/03_DL/00_Data/AllDataAll_Train.csv'
test_data_path='G:/CropYield/03_DL/00_Data/AllDataAll_Test.csv'
write_excel_path='G:/CropYield/03_DL/05_NewML/ParameterResult_ML.xlsx'
tree_graph_dot_path='G:/CropYield/03_DL/05_NewML/tree.dot'
tree_graph_png_path='G:/CropYield/03_DL/05_NewML/tree.png'

random_seed=44
random_forest_seed=np.random.randint(low=1,high=230)

接下來，我們需要導入輸入數(shù)據(jù)。

在這里需要注意，本文對以下兩個數(shù)據(jù)處理的流程并沒有詳細涉及與講解（因為在寫本文時，我已經(jīng)做過了同一批數(shù)據(jù)的深度學習回歸，本文就直接用了當時做深度學習時處理好的輸入數(shù)據(jù)，因此以下兩個數(shù)據(jù)處理的基本過程就沒有再涉及啦），大家直接查看下方所列出的其它幾篇博客即可。

初始數(shù)據(jù)劃分訓練集與測試集
類別變量的獨熱編碼（One-hot Encoding）

針對上述兩個數(shù)據(jù)處理過程，首先，數(shù)據(jù)訓練集與測試集的劃分在機器學習、深度學習中是不可或缺的作用，這一部分大家可以查看Python TensorFlow深度學習回歸代碼：DNNRegressor的2.4部分，或Python TensorFlow深度神經(jīng)網(wǎng)絡(luò)回歸：keras.Sequential的2.3部分；其次，關(guān)于類別變量的獨熱編碼，對于隨機森林等傳統(tǒng)機器學習方法而言可以說同樣是非常重要的，這一部分大家可以查看Python實現(xiàn)類別變量的獨熱編碼（One-hot Encoding）。

在本文中，如前所述，我們直接將已經(jīng)存在.csv中，已經(jīng)劃分好訓練集與測試集且已經(jīng)對類別變量做好了獨熱編碼之后的數(shù)據(jù)加以導入。在這里，我所導入的數(shù)據(jù)第一行是表頭，即每一列的名稱。關(guān)于.csv數(shù)據(jù)導入的代碼詳解，大家可以查看多變量兩兩相互關(guān)系聯(lián)合分布圖的Python繪制的數(shù)據(jù)導入部分。

# Data import

'''
column_name=['EVI0610','EVI0626','EVI0712','EVI0728','EVI0813','EVI0829','EVI0914','EVI0930','EVI1016',
             'Lrad06','Lrad07','Lrad08','Lrad09','Lrad10',
             'Prec06','Prec07','Prec08','Prec09','Prec10',
             'Pres06','Pres07','Pres08','Pres09','Pres10',
             'SIF161','SIF177','SIF193','SIF209','SIF225','SIF241','SIF257','SIF273','SIF289',
             'Shum06','Shum07','Shum08','Shum09','Shum10',
             'Srad06','Srad07','Srad08','Srad09','Srad10',
             'Temp06','Temp07','Temp08','Temp09','Temp10',
             'Wind06','Wind07','Wind08','Wind09','Wind10',
             'Yield']
'''
train_data=pd.read_csv(train_data_path,header=0)
test_data=pd.read_csv(test_data_path,header=0)

1.2 特征與標簽分離

特征與標簽，換句話說其實就是自變量與因變量。我們要將訓練集與測試集中對應(yīng)的特征與標簽分別分離開來。

# Separate independent and dependent variables

train_Y=np.array(train_data['Yield'])
train_X=train_data.drop(['ID','Yield'],axis=1)
train_X_column_name=list(train_X.columns)
train_X=np.array(train_X)

test_Y=np.array(test_data['Yield'])
test_X=test_data.drop(['ID','Yield'],axis=1)
test_X=np.array(test_X)

可以看到，直接借助drop就可以將標簽'Yield'從原始的數(shù)據(jù)中剔除（同時還剔除了一個'ID'，這個是初始數(shù)據(jù)的樣本編號，后面就沒什么用了，因此隨著標簽一起剔除）。同時在這里，還借助了train_X_column_name這一變量，將每一個特征值列所對應(yīng)的標題（也就是特征的名稱）加以保存，供后續(xù)使用。

1.3 RF模型構(gòu)建、訓練與預測

接下來，我們就需要對隨機森林模型加以建立，并訓練模型，最后再利用測試集加以預測。在這里需要注意，關(guān)于隨機森林的幾個重要超參數(shù)（例如下方的n_estimators）都是需要不斷嘗試找到最優(yōu)的。關(guān)于這些超參數(shù)的尋優(yōu)，在MATLAB中的實現(xiàn)方法大家可以查看MATLAB實現(xiàn)隨機森林（RF）回歸與自變量影響程度分析的1.1部分；而在Python中的實現(xiàn)方法，我們將在下一篇博客中介紹。

# Build RF regression model

random_forest_model=RandomForestRegressor(n_estimators=200,random_state=random_forest_seed)
random_forest_model.fit(train_X,train_Y)

# Predict test set data

random_forest_predict=random_forest_model.predict(test_X)
random_forest_error=random_forest_predict-test_Y

其中，利用RandomForestRegressor進行模型的構(gòu)建，n_estimators就是樹的個數(shù)，random_state是每一個樹利用Bagging策略中的Bootstrap進行抽樣（即有放回的袋外隨機抽樣）時，隨機選取樣本的隨機數(shù)種子；fit進行模型的訓練，predict進行模型的預測，最后一句就是計算預測的誤差。

1.4 預測圖像繪制、精度衡量指標計算與保存

首先，進行預測圖像繪制，其中包括預測結(jié)果的擬合圖與誤差分布直方圖。關(guān)于這一部分代碼的解釋，大家可以查看Python TensorFlow深度學習回歸代碼：DNNRegressor的2.9部分。

# Draw test plot

plt.figure(1)
plt.clf()
ax=plt.axes(aspect='equal')
plt.scatter(test_Y,random_forest_predict)
plt.xlabel('True Values')
plt.ylabel('Predictions')
Lims=[0,10000]
plt.xlim(Lims)
plt.ylim(Lims)
plt.plot(Lims,Lims)
plt.grid(False)
    
plt.figure(2)
plt.clf()
plt.hist(random_forest_error,bins=30)
plt.xlabel('Prediction Error')
plt.ylabel('Count')
plt.grid(False)

以上兩幅圖的繪圖結(jié)果如下所示。

接下來，進行精度衡量指標的計算與保存。在這里，我們用皮爾遜相關(guān)系數(shù)、決定系數(shù)與RMSE作為精度的衡量指標，并將每一次模型運行的精度衡量指標結(jié)果保存在一個Excel文件中。這一部分大家同樣查看Python TensorFlow深度學習回歸代碼：DNNRegressor的2.9部分即可。

# Verify the accuracy

random_forest_pearson_r=stats.pearsonr(test_Y,random_forest_predict)
random_forest_R2=metrics.r2_score(test_Y,random_forest_predict)
random_forest_RMSE=metrics.mean_squared_error(test_Y,random_forest_predict)**0.5
print('Pearson correlation coefficient is {0}, and RMSE is {1}.'.format(random_forest_pearson_r[0],
                                                                        random_forest_RMSE))

# Save key parameters

excel_file=load_workbook(write_excel_path)
excel_all_sheet=excel_file.sheetnames
excel_write_sheet=excel_file[excel_all_sheet[0]]
excel_write_sheet=excel_file.active
max_row=excel_write_sheet.max_row
excel_write_content=[random_forest_pearson_r[0],random_forest_R2,random_forest_RMSE,random_seed,random_forest_seed]
for i in range(len(excel_write_content)):
        exec("excel_write_sheet.cell(max_row+1,i+1).value=excel_write_content[i]")
excel_file.save(write_excel_path)

1.5 決策樹可視化

這一部分我們借助DOT這一圖像描述語言，進行隨機森林算法中決策樹的繪制。

# Draw decision tree visualizing plot

random_forest_tree=random_forest_model.estimators_[5]
export_graphviz(random_forest_tree,out_file=tree_graph_dot_path,
                feature_names=train_X_column_name,rounded=True,precision=1)
(random_forest_graph,)=pydot.graph_from_dot_file(tree_graph_dot_path)
random_forest_graph.write_png(tree_graph_png_path)

其中，estimators_[5]是指整個隨機森林算法中的第6棵樹（下標是從0開始的），換句話說我們就是從很多的樹（具體樹的個數(shù)就是前面提到的超參數(shù)n_estimators）中抽取了找一個來畫圖，做一個示范。如下圖所示。

可以看到，單單是這一棵樹就已經(jīng)非常非常龐大了。我們將上圖其中最頂端（也就是最上方的節(jié)點——根節(jié)點）部分放大，就可以看見每一個節(jié)點對應(yīng)的信息。如下圖

在這里提一句，上圖根節(jié)點中有一個samples=151，但是我的樣本總數(shù)是315個，為什么這棵樹的樣本個數(shù)不是全部的樣本個數(shù)呢？

其實這就是隨機森林的內(nèi)涵所在：隨機森林的每一棵樹的輸入數(shù)據(jù)（也就是該棵樹的根節(jié)點中的數(shù)據(jù)），都是隨機選取的（也就是上面我們說的利用Bagging策略中的Bootstrap進行隨機抽樣），最后再將每一棵樹的結(jié)果聚合起來（聚合這個過程就是Aggregation，我們常說的Bagging其實就是Bootstrap與Aggregation的合稱），形成隨機森林算法最終的結(jié)果。

1.6 變量重要性分析

在這里，我們進行變量重要性的分析，并以圖的形式進行可視化。

# Calculate the importance of variables

random_forest_importance=list(random_forest_model.feature_importances_)
random_forest_feature_importance=[(feature,round(importance,8)) 
                                  for feature, importance in zip(train_X_column_name,random_forest_importance)]
random_forest_feature_importance=sorted(random_forest_feature_importance,key=lambda x:x[1],reverse=True)
plt.figure(3)
plt.clf()
importance_plot_x_values=list(range(len(random_forest_importance)))
plt.bar(importance_plot_x_values,random_forest_importance,orientation='vertical')
plt.xticks(importance_plot_x_values,train_X_column_name,rotation='vertical')
plt.xlabel('Variable')
plt.ylabel('Importance')
plt.title('Variable Importances')

得到圖像如下所示。這里是由于我的特征數(shù)量（自變量數(shù)量）過多，大概有150多個，導致橫坐標的標簽（也就是自變量的名稱）都重疊了；大家一般的自變量個數(shù)都不會太多，就不會有問題~

以上就是全部的代碼分段介紹~

2 完整代碼

# -*- coding: utf-8 -*-
"""
Created on Sun Mar 21 22:05:37 2021

@author: fkxxgis
"""

import pydot
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
from sklearn import metrics
from openpyxl import load_workbook
from sklearn.tree import export_graphviz
from sklearn.ensemble import RandomForestRegressor


# Attention! Data Partition
# Attention! One-Hot Encoding

train_data_path='G:/CropYield/03_DL/00_Data/AllDataAll_Train.csv'
test_data_path='G:/CropYield/03_DL/00_Data/AllDataAll_Test.csv'
write_excel_path='G:/CropYield/03_DL/05_NewML/ParameterResult_ML.xlsx'
tree_graph_dot_path='G:/CropYield/03_DL/05_NewML/tree.dot'
tree_graph_png_path='G:/CropYield/03_DL/05_NewML/tree.png'

random_seed=44
random_forest_seed=np.random.randint(low=1,high=230)

# Data import

'''
column_name=['EVI0610','EVI0626','EVI0712','EVI0728','EVI0813','EVI0829','EVI0914','EVI0930','EVI1016',
             'Lrad06','Lrad07','Lrad08','Lrad09','Lrad10',
             'Prec06','Prec07','Prec08','Prec09','Prec10',
             'Pres06','Pres07','Pres08','Pres09','Pres10',
             'SIF161','SIF177','SIF193','SIF209','SIF225','SIF241','SIF257','SIF273','SIF289',
             'Shum06','Shum07','Shum08','Shum09','Shum10',
             'Srad06','Srad07','Srad08','Srad09','Srad10',
             'Temp06','Temp07','Temp08','Temp09','Temp10',
             'Wind06','Wind07','Wind08','Wind09','Wind10',
             'Yield']
'''
train_data=pd.read_csv(train_data_path,header=0)
test_data=pd.read_csv(test_data_path,header=0)

# Separate independent and dependent variables

train_Y=np.array(train_data['Yield'])
train_X=train_data.drop(['ID','Yield'],axis=1)
train_X_column_name=list(train_X.columns)
train_X=np.array(train_X)

test_Y=np.array(test_data['Yield'])
test_X=test_data.drop(['ID','Yield'],axis=1)
test_X=np.array(test_X)

# Build RF regression model

random_forest_model=RandomForestRegressor(n_estimators=200,random_state=random_forest_seed)
random_forest_model.fit(train_X,train_Y)

# Predict test set data

random_forest_predict=random_forest_model.predict(test_X)
random_forest_error=random_forest_predict-test_Y

# Draw test plot

plt.figure(1)
plt.clf()
ax=plt.axes(aspect='equal')
plt.scatter(test_Y,random_forest_predict)
plt.xlabel('True Values')
plt.ylabel('Predictions')
Lims=[0,10000]
plt.xlim(Lims)
plt.ylim(Lims)
plt.plot(Lims,Lims)
plt.grid(False)
    
plt.figure(2)
plt.clf()
plt.hist(random_forest_error,bins=30)
plt.xlabel('Prediction Error')
plt.ylabel('Count')
plt.grid(False)

# Verify the accuracy

random_forest_pearson_r=stats.pearsonr(test_Y,random_forest_predict)
random_forest_R2=metrics.r2_score(test_Y,random_forest_predict)
random_forest_RMSE=metrics.mean_squared_error(test_Y,random_forest_predict)**0.5
print('Pearson correlation coefficient is {0}, and RMSE is {1}.'.format(random_forest_pearson_r[0],
                                                                        random_forest_RMSE))

# Save key parameters

excel_file=load_workbook(write_excel_path)
excel_all_sheet=excel_file.sheetnames
excel_write_sheet=excel_file[excel_all_sheet[0]]
excel_write_sheet=excel_file.active
max_row=excel_write_sheet.max_row
excel_write_content=[random_forest_pearson_r[0],random_forest_R2,random_forest_RMSE,random_seed,random_forest_seed]
for i in range(len(excel_write_content)):
        exec("excel_write_sheet.cell(max_row+1,i+1).value=excel_write_content[i]")
excel_file.save(write_excel_path)

# Draw decision tree visualizing plot

random_forest_tree=random_forest_model.estimators_[5]
export_graphviz(random_forest_tree,out_file=tree_graph_dot_path,
                feature_names=train_X_column_name,rounded=True,precision=1)
(random_forest_graph,)=pydot.graph_from_dot_file(tree_graph_dot_path)
random_forest_graph.write_png(tree_graph_png_path)

# Calculate the importance of variables

random_forest_importance=list(random_forest_model.feature_importances_)
random_forest_feature_importance=[(feature,round(importance,8)) 
                                  for feature, importance in zip(train_X_column_name,random_forest_importance)]
random_forest_feature_importance=sorted(random_forest_feature_importance,key=lambda x:x[1],reverse=True)
plt.figure(3)
plt.clf()
importance_plot_x_values=list(range(len(random_forest_importance)))
plt.bar(importance_plot_x_values,random_forest_importance,orientation='vertical')
plt.xticks(importance_plot_x_values,train_X_column_name,rotation='vertical')
plt.xlabel('Variable')
plt.ylabel('Importance')
plt.title('Variable Importances')

以上就是Python實現(xiàn)隨機森林回歸與各自變量重要性分析與排序的詳細內(nèi)容，更多關(guān)于Python隨機森林的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: