scikit 随机森林 sample_weights 的使用

Question

我一直在试图弄清楚 scikit 的 Random Forest sample_weight 使用情况，但我无法解释我看到的一些结果。从根本上说，我需要它来平衡分类问题和不平衡的类。

特别是，我期望如果我使用全为 1 的 sample_weights 数组，我会得到与 w sample_weights=None 相同的结果。此外，我希望任何具有相同权重的数组（即全 1、全 10 或全 0.8 ...）都将提供相同的结果。在这种情况下，也许我对权重的直觉是错误的。

代码如下：

import numpy as np
from sklearn import ensemble,metrics, cross_validation, datasets

#create a synthetic dataset with unbalanced classes
X,y = datasets.make_classification(
n_samples=10000, 
n_features=20, 
n_informative=4, 
n_redundant=2, 
n_repeated=0, 
n_classes=2, 
n_clusters_per_class=2, 
weights=[0.9],
flip_y=0.01,
class_sep=1.0, 
hypercube=True, 
shift=0.0, 
scale=1.0, 
shuffle=True, 
random_state=0)

model = ensemble.RandomForestClassifier()

w0=1 #weight associated to 0's
w1=1 #weight associated to 1's

#I should split train and validation but for the sake of understanding sample_weights I'll skip this step
model.fit(X, y,sample_weight=np.array([w0 if r==0 else w1 for r in y]))    
preds = model.predict(X)
probas = model.predict_proba(X)
ACC = metrics.accuracy_score(y,preds)
precision, recall, thresholds = metrics.precision_recall_curve(y, probas[:, 1])
fpr, tpr, thresholds = metrics.roc_curve(y, probas[:, 1])
ROC = metrics.auc(fpr, tpr)
cm = metrics.confusion_matrix(y,preds)
print "ACCURACY:", ACC
print "ROC:", ROC
print "F1 Score:", metrics.f1_score(y,preds)
print "TP:", cm[1,1], cm[1,1]/(cm.sum()+0.0)
print "FP:", cm[0,1], cm[0,1]/(cm.sum()+0.0)
print "Precision:", cm[1,1]/(cm[1,1]+cm[0,1]*1.1)
print "Recall:", cm[1,1]/(cm[1,1]+cm[1,0]*1.1)

• 使用w0=w1=1，例如，我得到F1=0.9456。
• 使用w0=w1=10，例如，我得到F1=0.9569。
• sample_weights=None 我得到F1=0.9474。

Answer 1

对于随机森林算法，顾名思义，它具有某种“随机性”。

您获得不同的 F1 分数，因为随机森林算法 (RFA) 使用您的数据子集来生成决策树，然后对所有树进行平均。因此，对于您每次跑步的 F1 分数都相似（但不相同），我并不感到惊讶。

我之前尝试过平衡重物。您可能想尝试根据总体中每个类别的大小来平衡权重。例如，如果你有两个这样的类：

Class A: 5 members
Class B: 2 members

您可能希望通过为 Class A 的每个成员分配 2/7 和为 Class B 的每个成员分配 5/7 来平衡权重。不过，这只是一个作为起点的想法。您对课程的权重将取决于您遇到的问题。