如何将随机森林分类器应用于所有数据集,在 python 中一次一小部分

Posted

技术标签:

【中文标题】如何将随机森林分类器应用于所有数据集,在 python 中一次一小部分【英文标题】:How to apply a randomforest classifier to all of the dataset, a small section at a time in python 【发布时间】:2016-09-07 14:28:19 【问题描述】:

所以我正在做一个 Kaggle 比赛,测试数据集的大小是 880,000 行。我想在它的 10,000 行部分上应用一个随机森林分类器。但仍将其应用于所有内容。 这是我的分类器的设置方式

from sklearn.ensemble import RandomForestClassifier

clf = RandomForestClassifier(n_estimators=100)
# Training data features, skip the first column 'Crime Category'
train_features = train[:, 1:]

# 'Crime Category' column values
train_target = train[:, 0]

clf = clf.fit(train_features, train_target)
score = clf.score(train_features, train_target)
"Mean accuracy of Random Forest: 0".format(score)

我用它来训练我的模型并获得准确性。我把训练数据缩小了,这样我就能更快地得到结果。但是为了让我提交给 Kaggle,我需要预测测试数据。基本上我想这样做:

test_x = testing_data[:, 1:]
print('-',*38)
for every 10,000 rows in test_x
   test_ y = clf.predict(value)
   print(".")
   add the values to an array then do the next 10,000 rows

对于每 10,000 行我想预测值,在某处添加预测值,然后执行接下来的 10,000 行。每当我一次完成所有 880,000 行时,我的计算机就会死机。我希望通过一次执行 10,000 行并使用 print(".") 我会得到一个进度条。我使用 test= test.values 将 test.csv 从 pandas dataframe 更改为 values

我尽可能多地提供了信息,如果您需要更多信息,请告诉我。

【问题讨论】:

【参考方案1】:

使用pd.DataFrame,您可以使用新的DataFrame 迭代indexconcat 的结果块。对于np.array,请使用np.array_split

def chunks(l, n):
    """ Yield successive n-sized chunks from l."""
    for i in range(0, len(l), n):
        yield l[i:i + n]

test_x = pd.DataFrame(test_x)
test_result = pd.DataFrame()
for chunk in chunks(test_x.index, 10000):
    test_data = test_x.ix[chunk]
    test_result = pd.concat([test_result, pd.DataFrame(clf.predict(test_data))])

【讨论】:

它给出了一个 AttributeError: 'numpy.ndarray' 对象没有属性 'index' 因为 test_x 是一个 numpy.ndarray。 看起来您使用的是numpy arrays,而不是pandas DataFrames。您可以选择使用test_x = DataFrame(test_x) 创建一个或需要为numpy 重写,例如使用np.array_split 我最终将我的 test_x 改回了 pandas,然后我收到了这个错误“无法连接非 NDFrame 对象”@Stefan Jansen 查看更新 - 还需要将 clf.predict(test_data)) 的输出转换为 pd.DataFrame() 不客气。通过接受答案将问题标记为已解决是一种很好的做法。【参考方案2】:

我假设您的索引是连续整数...

groups = test_x.groupby(test_x.index // 10000)
groups.apply(clf.predict)

如果索引不是连续整数,这是可能的...

groups = test.groupby(test.reset_index().index // 10000)

这是一个完整的例子...

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
import numpy as np

iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)

train, test = (df[:100], df[100:])
y_train, y_test = (iris.target[:100], iris.target[100:])

clf = RandomForestClassifier()
clf.fit(train, y_train)

groups = test.groupby(test.index // 10)
groups.apply(clf.predict)

输出是 Pandas 的一系列预测列表...

10    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
11    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
12    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
13    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
14    [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]

【讨论】:

【参考方案3】:

2018 年,来自 fast.ai 的 fastai 0.7 库有一个 set_rf_samples() 函数,它具有一些特殊功能。如果您登陆此页面,强烈建议您查看它。您可以在 Jeremy Howard 的 YouTube 频道上观看机器学习 MOOC 简介以及实施细节。

【讨论】:

以上是关于如何将随机森林分类器应用于所有数据集,在 python 中一次一小部分的主要内容,如果未能解决你的问题,请参考以下文章

随机森林

解释文本分类的随机森林模型

如何在 Sklearn 的随机森林分类器中将训练模型用于另一个数据集?

随机森林原理介绍与适用情况(综述篇)

如何调整管道内随机森林分类器中的参数?

如何将经过训练和测试的随机森林模型应用于 tidymodels 中的新数据集?