使用 python sklearn 增量训练随机森林模型

Question

我正在使用下面的代码来保存一个随机森林模型。我正在使用 cPickle 来保存经过训练的模型。当我看到新数据时，我可以增量训练模型吗？ 目前，训练集有大约 2 年的数据。有没有办法再训练 2 年并将其（有点）附加到现有的保存模型中。

rf =  RandomForestRegressor(n_estimators=100)
print ("Trying to fit the Random Forest model --> ")
if os.path.exists('rf.pkl'):
    print ("Trained model already pickled -- >")
    with open('rf.pkl', 'rb') as f:
        rf = cPickle.load(f)
else:
    df_x_train = x_train[col_feature]
    rf.fit(df_x_train,y_train)
    print ("Training for the model done ")
    with open('rf.pkl', 'wb') as f:
        cPickle.dump(rf, f)
df_x_test = x_test[col_feature]
pred = rf.predict(df_x_test)

编辑 1：我没有计算能力一次用 4 年的数据训练模型。

Answer 1

sklearn User Guide 中讨论了您所说的，使用附加数据增量更新模型：

虽然并非所有算法都可以增量学习（即没有 一次查看所有实例），所有实现 partial_fit API 是候选者。其实学习能力 从小批量实例（有时称为“在线 学习”）是核心外学习的关键，因为它保证在任何 给定时间将只有少量实例在主 记忆。

它们包括实现partial_fit() 的分类器和回归器列表，但 RandomForest 不在其中。您还可以确认 RFRegressor 没有实现部分拟合on the documentation page for RandomForestRegressor。

一些可能的前进方式：

• 使用实现 partial_fit() 的回归器，例如 SGDRegressor
• 检查您的 RandomForest 模型的 feature_importances_ 属性，然后在删除不重要的特征后根据 3 或 4 年的数据重新训练您的模型
• 仅使用最近两年的数据训练模型（如果您只能使用两年）
• 在从所有四年数据中抽取的随机子集上训练您的模型。
• 更改tree_depth 参数以限制模型的复杂程度。这可以节省计算时间，因此可以让您使用所有数据。它还可以防止过拟合。使用交叉验证为您的问题选择最佳的树深度超参数
• 如果您还没有设置您的 RF 模型的参数 n_jobs=-1，以在您的机器上使用多个内核/处理器。
• 使用更快的基于集成树的算法，例如 xgboost
• 在云中的大型机器上运行您的模型拟合代码，例如 AWS 或 dominodatalab

Answer 2

您可以在模型中将 'warm_start' 参数设置为 True。这将确保使用 fit call 保留之前的学习内容。

设置“warm_start”后，同一模型学习增量两次（train_X[:1], train_X[1:2]）

forest_model = RandomForestRegressor(warm_start=True)
forest_model.fit(train_X[:1],train_y[:1])
pred_y = forest_model.predict(val_X[:1])
mae = mean_absolute_error(pred_y,val_y[:1])
print("mae      :",mae)
print('pred_y :',pred_y)
forest_model.fit(train_X[1:2],train_y[1:2])
pred_y = forest_model.predict(val_X[1:2])
mae = mean_absolute_error(pred_y,val_y[1:2])
print("mae      :",mae)
print('pred_y :',pred_y)

mae : 1290000.0 pred_y：[1630000.] 前：925000.0 pred_y : [1630000.]

仅使用最后学习值的模型 (train_X[1:2])

forest_model = RandomForestRegressor()
forest_model.fit(train_X[1:2],train_y[1:2])
pred_y = forest_model.predict(val_X[1:2])
mae = mean_absolute_error(pred_y,val_y[1:2])
print("mae      :",mae)
print('pred_y :',pred_y)

mae : 515000.0 pred_y : [1220000.]

http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html