随机森林：猜糖豆游戏揭示的机器学习算法

清新de花

随机森林：猜糖豆游戏揭示的机器学习算法

大数据文摘 2015-11-27 08:52:57

　　

　　选文：纪思亮
　　作者：Bo Moore
　　编译整理：孙强
　　还记得那款老的嘉年华游戏吗，大家一起猜测一个罐子里糖豆的数量？虽然准确猜出糖豆的数量需要一点运气和技巧的组合，事实证明，通过平均所有人的各种各样的猜测，平均结果出奇地接近正确答案。
　　这是一个被称为“众人的智慧（the wisdom of the crowd）”的典型例子，也是机器学习常用的建模策略之一。
　　前提条件还是有的：你要有数量足够多的不同的数据，每一个数据都在某些程度上包含所需信号，但数据之间没有任何其他维度的相关性（这样数据的误差往往对称分布在真实结果周围），当然还需要一种合适的聚合方式来聚合这些数据（如算一下平均值）。你会发现，经过最后聚集，正确结果会脱颖而出，而数据的误差往往会相互抵消。
　　在此前我们介绍过的一篇文章《猎杀埃博拉病毒的算法》（点击进入）中，事实也是通过这样一种方法来跟踪埃博拉病毒及宿主。下面，我们会重点介绍这个被称为“随机森林”的机器学习算法。
　　从猜糖豆游戏到随机森林
　　回到数糖豆的例子中，满足这些前提条件意味着，一定要有很多人给出猜测（大量的观点和数据），他们猜的都是同一个糖豆罐（猜测的数据必须含有一定维度的信号测量），人们不能彼此交流他们的猜测结果（以保证观点和数据没有其他相关性）。即使有些人只是快速浏览一下瓶子，而另一些人则研究很长一段时间；或者有人只是开个玩笑，猜测一个非常不正确的结果（过高或过低），这些都没有关系。
　　重要的是，所有的猜测都集中在正确答案的周围。猜测中有正确的的成分，有错误的成分，但正确的成分会互相叠加，错误的成分会相互抵消。即使有人提交比较离谱的低估或高估，随着越来越多的猜测被提交，这些离谱的错误也会相互抵消。
　　“众人的智慧（wisdom of the crowd）”是随机森林（random forest）建模的主题思想，而随机森林是最流行的机器学习算法之一。随机森林模型的工作原理是训练成百上千个“弱”机器学习算法，称为决策树。

　　

　　决策树通过某些参数的可用数据来运行，通过使用它检测到的模式（pattern），建立一系列的“是或否(Yes/No)”的问题（例如，这样的客户可能会续约吗？），根据问题的回答来分类数据。再回到糖豆的例子，这可以被认为是类似于一个人的推理问题，如“瓶子有多大？”“糖豆有多大？”但决策树本身会受到限制。它们只能使用可用参数的子集来设计一系列的肯定和否定（Yes/No）问题。此外，在回答是/否的问题时，一次只使用一个决策树，使用串联，而不是组合，因此在给出最后答案时，很少能捕捉到参数间微妙的相互作用。
　　随机森林，在另一方面，采用的是类似于“人群智慧”的决策树集合。每个决策树使用的是不同维度的数据（就像猜糖豆中的单个参加者），然后做出一个决定，最后所有这些决定进行聚集和平均。因为每棵树只能看某些特定参数，单一决策树的预测能力是非常有限的，针对每一个数据点给出正确答案的概率很小。另外，许多决策树看到的都是不重要的特征 - 所谓数据“噪音”。
　　“好树”与“坏树”
　　重要的是，在随机森林算法中，我们不只是问一棵树的答案，而是从数百个决策树集合中寻求答案。这里的关键是，那些主要关注噪声（不相关的信息）的决策树往往会是正确／错误的预测概率各占一般（50%，50%），这样他们的选票相互抵消，类似猜糖豆的例子。那些更关注真正相关参数的决策树，预测正确答案的概率比错误答案要高一些。因此，如果我们创造了足够多的决策树构成森林后，“坏树好树”最终各占50%，然后“好树”的决策就决定了最终的好的结果。

　　

　　在猜糖豆的例子中，通过征集大量的猜测，即使很多情况下没有人猜地特别准确，但只要集合这些猜测，我们大多数情况下都可以得到非常准确的结果。
　　当然，为了达到预期结果，随机林模型还必须满足一些注意事项。首先，所述决策树必须足够不同，这样它们不至于都产生同样的反应。他们必须提出不同问题，并使用不同的亚数据集。如果每一棵树都使用100%相同的参数，他们为每个数据点的投票都一样，相比单一决策树没有什么优势。 （这就是我们所说的过度拟合，即在建立模型的过程中，过多关注一个特定的数据集的噪声而导致不良后果）。在这种情况下，森林算法会关注太多的数据噪声，当你预测新的数据集时，你会看到模型表现很差。
　　反过来看也是对的：构建的决策树数量太少。由于关注的参数太少，很难得到足够好的数据的整体图像。这意味着，没有决策树有足够的信息来可靠地捕获信号，即使是“弱”信号。由于用于决策的投票人太少，所以最后的聚集结果就不可靠。
　　所以，关键是要在过拟合及欠拟合之间找到一个很好的平衡。这就是所谓的参数“超调（hyper tuning）”，以保证你的模型的正确性（类似于逻辑回归中的正则化参数，或在径向基核的SVM－RBF kernel SVM的高斯宽度width of a Gaussian）在随机森林的情况下，最重要的超参数是m，该参数规定了总特性中的多少比例部分（用p来表示）可以让每个树来使用。
　　随机森林如此受欢迎的其中一个原因是，不管数据的种类如何，总有一些非常可靠的工具来引导选择合适的m, 使得随机森林成为最简单有效的算法之一。
　　文章参考：http://www.galvanize.com
　　注：本博客文章部分贡献来自[url=]Mike Tamir[/url]， 他是Galvanize的首席科学家和机器学习专家。