使用 Scikit-learn 理解随机森林

雷锋网按：本文为 AI 研习社编译的技术博客，原标题 Random forest interpretation with scikit-learn，作者 ando。

翻译 |  汪鹏        校对 | 余杭      整理 |  余杭

在我以前的一篇文章中，我讨论了随机森林如何变成一个「白箱子」，这样每次预测就能被分解为各项特征的贡献和，即预测=偏差+特征 1 贡献+ … +特征 n 贡献。

我的一些代码包正在做相关工作，然而，大多数随机森林算法包（包括 scikit-learn）并没有给出预测过程的树路径。因此 sklearn 的应用需要一个补丁来展现这些路径。幸运的是，从 0.17 版本的 scikit-learn 开始，在 api 中有两个新增功能，这使得这个过程相对而言比较容易理解 ： 获取用于预测的所有叶子节点的 id ，并存储所有决策树的所有节点中间值，而不仅仅只存叶子节点的。通过这些，我们可以提取每个单独预测的树路径，并通过检查路径来分解这些预测过程。

闲话少说，代码托管在 github ，你也可以通过pip install treeinterpreter来获取。

注意：这需要 0.17 版本的 scikit-learn ，你可以通过访问  http://scikit-learn.org/stable/install.html#install-bleeding-edge 这个网址来进行安装。

使用 treeinterpreter 分解随机森林

首先我们将使用一个简单的数据集，来训练随机森林模型。在对测试集的进行预测的同时我们将对预测值进行分解。

从模型中任意选择两个产生不同价格预测的数据点。

对于这两个数据点，随机森林给出了差异很大的预测值。为什么呢？我们现在可以将预测值分解成偏差项（就是训练集的均值）和单个特征贡献值，以便于观察究竟哪些特征项造成了差异，差异程度有多大。

我们可以简单地使用 treeinterpreter 中 predict 方法，向其传入模型和数据作为参数。

将表格打印出来

各个特征的贡献度按照绝对值从大到小排序。我们 观察到第一个样本的预测结果较高，正贡献值主要来自 RM 、LSTAT 和 PTRATIO。第二个样本的预测值则低得多，因为 RM 实际上对预测值有着很大的负影响，而且这个影响并没有被其他正效应所补偿，因此低于数据集的均值。

但是这个分解真的是对的么？这很容易检查：偏差和各个特征的贡献值加起来需要等于预测值。

请注意，在把贡献值相加时，我们需要对浮点数进行处理，所以经过四舍五入处理后的值可能略有不同。  

比较两个数据集

在对比两个数据集时，这个方法将会很有用。例如：

……

想要继续阅读，请移步至我们的AI研习社社区：https://club.leiphone.com/page/TextTranslation/627

更多精彩内容尽在 AI 研习社。

不同领域包括计算机视觉，语音语义，区块链，自动驾驶，数据挖掘，智能控制，编程语言等每日更新。

手机端可以扫描二维码访问：雷锋网(公众号：雷锋网)雷锋网

。