机器学习技法10-Random Forest
注:
文章中所有的图片均来自台湾大学林轩田《机器学习技法》课程。
笔记原作者:红色石头
微信公众号:AI有道
上节课主要介绍了Decision Tree模型。Decision Tree算法的核心是通过递归的方式,将数据集不断进行切割,得到子分支,最终形成树的结构。C&RT算法是决策树比较简单和常用的一种算法,其切割的标准是根据纯度来进行,每次切割都是为了让分支内部纯度最大。最终,决策树不同的分支得到不同的\(g_t(x)\)(即树的叶子,C&RT算法中,\(g_t(x)\)是常数)。本节课将介绍随机森林(Random Forest)算法,它是我们之前介绍的Bagging和上节课介绍的Decision Tree的结合。
1. Random Forest Algorithm
首先我们来复习一下之前介绍过的两个机器学习模型:Bagging和Decision Tree。Bagging是通过bootstrap的方式,从原始的数据集\(\mathcal{D}\)中得到新的\(\hat{D}\);然后再使用一些base algorithm对每个\(\hat{D}\)都得到相应的\(g_t\);最后将所有的\(g_t\)通过投票uniform的形式组合成一个\(G\),\(G\)即为我们最终得到的模型。Decision Tree是通过递归形式,利用分支条件,将原始数据集\(D\)切割成一个个子树结构,长成一棵完整的树形结构。Decision Tree最终得到的\(G(x)\)是由相应的分支条件\(b(x)\)和分支树\(G_c(x)\)递归组成。
Bagging和Decision Tree算法各自有一个很重要的特点。Bagging具有减少不同\(g_t\)的方差variance的特点(一组\(g_t\)的方差理论上已经确定,单个\(g_t\)的方差如何理解?)。这是因为Bagging采用投票的形式,将所有\(g_t\) uniform结合起来,起到了求平均的作用,从而降低variance。而Decision Tree具有增大不同\(g_t\)的方差variance的特点。这是因为Decision Tree每次切割的方式不同,而且分支包含的样本数在逐渐减少,所以它对不同的资料\(\mathcal{D}\)会比较敏感一些,从而不同的\(\mathcal{D}\)会得到比较大的variance。
所以说,Bagging能减小variance,而Decision Tree能增大variance。如果把两者结合起来,能否发挥各自的优势,起到优势互补的作用呢?这就是我们接下来将要讨论的aggregation of aggregation,即使用Bagging的方式把众多的Decision Tree进行uniform结合起来。这种算法就叫做随机森林(Random Forest),它将完全长成的C&RT决策树通过bagging的形式结合起来,最终得到一个庞大的决策模型。
Random Forest算法流程图如下所示:
Random Forest算法的优点主要有三个。第一,不同决策树可以由不同主机并行训练生成,效率很高;第二,随机森林算法继承了C&RT的优点;第三,将所有的决策树通过bagging的形式结合起来,避免了单个决策树造成过拟合的问题。
以上是基本的Random Forest算法,我们再来看一下如何让Random Forest中决策树的结构更有多样性。Bagging中,通过bootstrap的方法得到不同于\(D\)的\(D’\),使用这些随机抽取的资料得到不同的\(g_t\)。除了随机抽取资料获得不同\(g_t\)的方式之外,还有另外一种方法,就是随机抽取一部分特征。例如,原来有100个特征,现在只从中随机选取30个来构成决策树,那么每一轮得到的树都由不同的30个特征构成,每棵树都不一样。假设原来样本维度是\(d\),则只选择其中的\(d’\)(\(d’\)小于\(d\))个维度来建立决策树结构。这类似是一种从\(d\)维到\(d’\)维的特征转换,相当于是从高维到低维的投影,也就是说\(d’\)维\(z\)空间其实就是\(d\)维\(x\)空间的一个随机子空间(subspace)。通常情况下,\(d’\)远小于\(d\),从而保证算法更有效率。Random Forest算法的作者建议在构建C&RT每个分支\(b(x)\)的时候,都可以重新选择子特征来训练,从而得到更具有多样性的决策树。
所以说,这种增强的Random Forest算法增加了random-subspace。
上面我们讲的是随机抽取特征,除此之外,还可以将现有的特征\(x\),通过数组\(p\)进行线性组合,来保持多样性:$$\phi_i(x)=p^T_ix$$ 这种方法使每次分支得到的不再是单一的子特征集合,而是子特征的线性组合(权重不为1)。好比在二维平面上不止得到水平线和垂直线,也能得到各种斜线。这种做法使子特征选择更加多样性。值得注意的是,不同分支\(i\)下的\(p_i\)是不同的,而且向量\(p_i\)中大部分元素为零,因为我们选择的只是一部分特征,这是一种低维映射。
所以,这里的Random Forest算法又有增强,由原来的random-subspace变成了random-combination。顺便提一下,这里的random-combination类似于perceptron模型。
2. Out-Of-Bag Estimate
上一部分我们已经介绍了Random Forest算法,而Random Forest算法重要的一点就是Bagging。接下来将继续探讨bagging中的bootstrap机制到底蕴含了哪些可以为我们所用的东西。
通过bootstrap得到新的样本集\(D’\),再由\(D’\)训练不同的\(g_t\)。我们知道\(D’\)中包含了原样本集\(D\)中的一些样本,但也有些样本没有涵盖进去。如下表所示,不同的\(g_t\)下,红色的\(*\)表示在\(\hat {D}_t\)中没有这些样本。例如对\(g_1\)来说,\((x_2,y_2)\)和\((x_3,y_4)\)没有包含进去,对\(g_2\)来说,\((x_1,y_1)\)和\((x_2,y_2)\)没有包含进去,等等。每个\(g_t\)中,红色\(*\)表示的样本被称为out-of-bag(OOB) example。
首先,我们来计算OOB样本到底有多少。假设bootstrap的数量\(N’=N\),那么某个样本\((x_n,y_n)\)是OOB的概率是:$$(\frac{N-1}{N}){N}=\frac{1}{(\frac{N}{N-1})N}=\frac{1}{(1+\frac{1}{N-1})^N}\approx \frac{1}{e}$$ 其中,\(e\)是自然对数,\(N\)是原样本集的数量。由上述推导可得,每个\(g_t\)中,OOB数目大约是\(\frac{1}{e}N\)(),即大约有三分之一的样本没有在bootstrap中被抽到。
然后,将OOB与之前介绍的Validation进行对比:
在Validation表格中,蓝色的\(D_{train}\)用来得到不同的\(g_m^-\),而红色的\(D_{val}\)用来验证各自的\(g_m^-\)。\(D_{train}\)与\(D_{val}\)没有交集,一般\(D_{train}\)是\(D_{val}\)的数倍关系。再看左边的OOB表格,之前我们也介绍过,蓝色的部分用来得到不同的\(g_t\),而红色的部分是OOB样本。而我们刚刚也推导过,红色部分大约占\(N\)的\(\frac{1}{e}\)。通过两个表格的比较,我们发现OOB样本类似于\(D_{val}\),那么是否能使用OOB样本来验证\(g_t\)的好坏呢?答案是肯定的。但是,通常我们并不需要对单个\(g_t\)进行验证。因为我们更关心的是由许多\(g_t\)组合成的\(G\),即使\(g_t\)表现不太好,只要\(G\)表现足够好就行了。那么问题就转化成了如何使用OOB来验证\(G\)的好坏。方法是先看每一个样本\((x_n,y_n)\)是哪些\(g_t\)的OOB资料,然后计算其在这些\(g_t\)上的表现,最后将所有样本的表现求平均即可。例如,样本\((x_N,y_N)\)是\(g_2,g_3,g_T\)的OOB,则可以计算\((x_N,y_N)\)在\(G_N^-(x)\)上的表现,其中: $$G^{-}{N}(x)=average(g_2,g_3,g_T)$$ 这种做法我们并不陌生,就像是我们之前介绍过的Leave-One-Out Cross Validation,每次只对一个样本进行\(g^-\)验证一样,只不过这里选择的是每个样本是哪些\(g_t\)的OOB,然后再分别进行\(G_n^-(x)\)的验证。每个样本都当成验证资料一次(与留一法相同),最后计算所有样本的平均表现:$$E(G)=\frac{1}{N}\sumN_{n=1}err(y_n,G_n(x_n))$$ \(E_{oob}(G)\)估算的就是\(G\)的表现好坏。我们把\(E_{oob}\)称为bagging或者Random Forest的self-validation。
这种self-validation相比于validation来说还有一个优点就是它不需要重复训练。如下图左边所示,在通过\(D_{val}\)选择到表现最好的\(g_{m^*}^-\)之后,还需要在\(D_{train}\)和\(D_{val}\)组成的所有样本集\(D\)上重新对该模型\(g_{m^*}^-\)训练一次,以得到最终的模型系数。但是self-validation在调整随机森林算法相关系数并得到最小的\(E_{oob}\)之后,就完成了整个模型的建立,无需重新训练模型。随机森林算法中,self-validation在衡量\(G\)的表现上通常相当准确。
3. Feature Selection
如果样本资料特征过多,假如有10000个特征,而我们只想从中选取300个特征,这时候就需要舍弃部分特征。通常来说,需要移除的特征分为两类:一类是冗余特征,即特征出现重复,例如“年龄”和“生日”;另一类是不相关特征,例如疾病预测的时候引入的“保险状况”。这种从\(d\)维特征到\(d’\)维特征的subset-transform \(\Phi(x)\)称为Feature Selection,最终使用这些\(d’\)维的特征进行模型训练。
特征选择的优点是:
- 提高效率,特征越少,模型越简单
- 正则化,防止特征过多出现过拟合
- 去除无关特征,保留相关性大的特征,解释性强
同时,特征选择的缺点是:
- 筛选特征的计算量较大
- 不同特征组合,也容易发生过拟合
- 容易选到无关特征,解释性差
值得一提的是,在decision tree中,我们使用的decision stump切割方式也是一种feature selection。
那么,如何对许多维特征进行筛选呢?我们可以通过计算出每个特征的重要性(即权重),然后再根据重要性的排序进行选择即可。
这种方法在线性模型中比较容易计算。因为线性模型的score是由每个特征经过加权求和而得到的,而加权系数的绝对值\(|w_i|\)正好代表了对应特征\(x_i\)的重要性为多少。\(|w_i|\)越大,表示对应特征\(x_i\)越重要,则该特征应该被选择。\(w\)的值可以通过对已有的数据集\((x_i,y_i)\)建立线性模型而得到。
然而,对于非线性模型来说,因为不同特征可能是非线性交叉在一起的,所以计算每个特征的重要性就变得比较复杂和困难。例如,Random Forest就是一个非线性模型,接下来,我们将讨论如何在RF下进行特征选择。
RF中,特征选择的核心思想是random test。random test的做法是对于某个特征,如果用另外一个随机值替代它之后的表现比之前更差,则表明该特征比较重要,所占的权重应该较大,不能用一个随机值替代。相反,如果随机值替代后的表现没有太大差别,则表明该特征不那么重要,可有可无。所以,通过比较某特征被随机值替代前后的表现,就能推断出该特征的权重和重要性。
那么random test中的随机值如何选择呢?通常有两种方法:一是使用uniform或者gaussian抽取随机值替换原特征;一是通过permutation的方式将原来的所有\(N\)个样本的第\(i\)个特征值重新打乱分布(相当于重新洗牌)。比较而言,第二种方法更加科学,保证了特征替代值与原特征的分布是近似的(只是重新洗牌而已)。这种方法叫做permutation test(随机排序测试),即在计算第\(i\)个特征的重要性的时候,将\(N\)个样本的第\(i\)个特征重新洗牌,然后比较\(D\)和\(D^{(p)}\)表现的差异性。如果差异很大,则表明第\(i\)个特征是重要的。
知道了permutation test的原理后,接下来要考虑的问题是如何衡量上图中的performance,即替换前后的表现。显然,我们前面介绍过performance可以用\(E_{oob}(G)\)来衡量。但是,对于\(N\)个样本的第\(i\)个特征值重新洗牌重置的\(D^{(p)}\),要对它进行重新训练,而且每个特征都要重复训练,然后再与原\(D\)的表现进行比较,过程非常繁琐。为了简化运算,RF的作者提出了一种方法,就是把permutation的操作从原来的training上移到了OOB validation上去,记为\(E_{oob}(G^{(p)})\rightarrow E_{oob}^{(p)}(G)\)。也就是说,在训练的时候仍然使用\(D\),但是在OOB验证的时候,将所有的OOB样本的第\(i\)个特征重新洗牌,验证\(G\)的表现。这种做法大大简化了计算复杂度,在RF的feature selection中应用广泛。
4. Random Forest in Action
最后,我们通过实际的例子来看一下RF的特点。首先,仍然是一个二元分类的例子。如下图所示,左边是一个C&RT树没有使用bootstrap得到的模型分类效果,其中不同特征之间进行了随机组合,所以有斜线作为分类线;中间是由bootstrap(N’=N/2)后生成的一棵决策树组成的随机森林,图中加粗的点表示被bootstrap选中的点;右边是将一棵决策树进行bagging后的分类模型,效果与中间图是一样的,都是一棵树。
当\(t=100\),即选择了100棵树时,中间的模型是第100棵决策树构成的,还是只有一棵树;右边的模型是由100棵决策树bagging起来的,如下图所示:
当\(t=200\)时:
当\(t=300\)时:
当\(t=400\)时:
当\(t=500\)时:
当\(t=1000\)时:
随着树木个数的增加,我们发现,分界线越来越光滑而且得到了large-margin-like boundary,类似于SVM一样的效果。也就是说,树木越多,分类器的置信区间越大。
然后,我们再来看一个比较复杂的例子,二维平面上分布着许多离散点,分界线形如sin函数。当只有一棵树的时候(\(t=1\)),下图左边表示单一树组成的RF,右边表示所有树bagging组合起来构成的RF。因为只有一棵树,所以左右两边效果一致。
当\(t=6\)时:
当\(t=11\)时:
当\(t=21\)时:
可以看到,当RF由21棵树构成的时候,分界线就比较平滑了,而且它的边界比单一树构成的RF要robust得多,更加平滑和稳定。
最后,基于上面的例子,再让问题复杂一点:在平面上添加一些随机噪声。当\(t=1\)时,如下图所示:
当\(t=6\)时:
当\(t=21\)时:
从上图中,我们发现21棵树的时候,随机noise的影响基本上能够修正和消除。这种bagging投票的机制能够保证较好的降噪性,从而得到比较稳定的结果。
经过以上三个例子,我们发现RF中,树的个数越多,模型越稳定越能表现得好。在实际应用中,应该尽可能选择更多的树。值得一提的是,RF的表现同时也与random seed有关,即随机的初始值也会影响RF的表现。
5. 总结
本节课主要介绍了Random Forest算法模型。RF将bagging与decision tree结合起来,通过把众多的决策树组进行组合,构成森林的形式,利用投票机制让\(G\)表现最佳,分类模型更稳定。其中为了让decision tree的随机性更强一些,可以采用randomly projected subspaces操作,即将不同的features线性组合起来,从而进行各式各样的切割。同时,我们也介绍了可以使用OOB样本来进行self-validation,然后可以使用self-validation来对每个特征进行permutaion test,得到不同特征的重要性,从而进行feature selection。总的来说,RF算法能够得到比较平滑的边界,稳定性强,前提是有足够多的树。