【学界】15分钟开启你的机器学习之旅——随机森林篇
来源：theregister.co.uk
作者：Cheryl Everitt
译者：刘小芹
【导读】本文用一个机器学习评估客户风险水平的案例，从准备数据到测试模型，详解了如何随机森林模型实现目标。
机器学习模型可用于提高效率，识别风险或发现新的机会，并在许多不同领域得到应用。它们可以预测一个确定的值（e.g.下周的销售额），或预测分组，例如在风险投资组合中，预测客户是高风险，中等风险还是低风险。
值得注意的是，机器学习不是在所有问题上都工作得非常好。如果模式是新的，模型以前没有见过很多次，或者没有足够的数据，机器学习模型的表现就不会很好。此外，机器学习虽然可以支持各种用例，但仍然需要人类的验证、感觉检查和专门领域知识。
话虽如此，我们可以通过解决上述用例之一来看看机器学习可以实现哪些目标。让我们通过机器学习技术的一个基本应用，看看将一组客户数据转变为风险水平评估这个预测涉及了哪些过程。
我们可以使用分类模型——预测每个项分别属于哪个类或组。可以很好地实现这个任务的一类算法是随机森林。这种类型的模型是基于决策树，即一种使用不同的变量（有关客户的信息）来分割一组对象（在这个用例中是客户），并继续分割，直到每个对象都被放置到特定的类别。随机森林是这样的决策树的集合。使用多个树可以降低过拟合（模型对于第一组特定的训练数据集工作得非常好，但对后续数据集工作不好）的风险。
创造像这样复杂的模型似乎令人望而生畏。但好消息是，许多语言都有预构建这种类型的模型的库。在这个用例下，我使用的是python库scikit-learn（以及用于管理数据集的pandas和numpy库）。
在继续之前，请确保你已经安装了Python（我使用的是Python2），并且在上面提到的3个包装中加载。这个可以在终端做，用pip安装pandas（numpy和sklearn也是一样）。
下面的示例都使用 Jupyter Notebook，这是数据科学家很常用的工具。相同的代码段直接在Python控制台或其他任何Python IDE中工作。
导入的语句使库对当前的段可用。然后，继续将数据从csv文件加载到dataframe（这是pandas使用的特定格式的数据结构），然后添加标题名字。
现在，数据保存在 pandas 的 dataframe(df)，如下图所示，选择前5行作为样本。
为了让模型进行预测，需要“训练”。也就是说，模型被显示一组已经具有相关分类的数据。从这些数据，模型可以了解有关数据主体（在这个case是客户）本身的信息与它的标签（高风险、中风险、低风险）之间的关系。
在随机森林模型的情况下，是通过数据集特征来对数据进行划分或分割，从而找到相关性。例如，根据“使用的设备数量”来进行划分，可以把使用一个设备的和使用两个设备的分成两组（根据数据集的基数，可能有两个以上的组）。进一步的分类要使用不同的信息，直到可以将所有记录划分到最终的类别（在这个case是风险级别）。
模型训练好之后，使用模型未遇见过的其他数据对其进行测试。新的数据已经没有原始标签，要求模型自己去预测值。
为了实现这一点，数据集需要分成两部分。一部分用于训练，另一部分用于测试。下面的代码段为每个观察值随机分配1到100之间的值，并将分配到低于70的随机数的那些行分到训练集，其余的作为测试集。因此，大约70％的数据用于训练。在每个数据集print一个值，可以显示这是有效的。
现在，应该为这个模型准备好训练集。创建一个变量来保存对特征（有助于确定最终类别的信息）的引用和另一个变量来保存类别本身。
首先，为类别创建变量。下面示例中的变量 train_labels 保存了数据集中的risk_label 列的内容。这些是风险级别的“高”，“中”或“低”，但是使用“因数分解”函数转变为数字（0, 1, 2）。
接下来，特征的名称被捕捉到一个单独的变量中，即下面示例的columns_for_features。同时，随机森林分类器被创建并存储在名为classifier 的变量中。
现在，训练模型的一切都准备好了。分类器有一个函数 fit，通过训练数据集（train_df）被告知要注意的行，以及训练标签，或已经可用的类别。
所以现在模型可以训练了。它将会确定“features”与“labels”之间的关系，并且只有当features可用时才能确定数据未知的label。
使用测试数据集，可以测试模型的执行性能。分类器有一个叫做predict的函数，它从前面准备的test_df数据集传递特征数据。它的输出是一组整数（0, 1, 2），分别表示标签（'high'，'med'，'low'），即模型预测出的类别。
这很令人兴奋，但意义不是很大。几个快速步骤可以将值解码回文本标签，然后将模型得出的类别与测试数据集中的原始标签进行比较。
下面的表格显示了每个真实的组与预测组的比较。这里显示的是，对于高风险的10个观察值，该模型预测其中9个是高风险，1个是中等风险。对于18个的低风险的观察值，该模型的预测完全一致。对于最后10个中等风险的观察值，模型的预测有7项正确，另外3项被错误地预测为高风险。
这是一个不错的结果。几个小步骤，我们就能够创建一个模型，训练它识别数据中的模式，并基于这些训练，模型能够预测新数据的类别。这意味着，你的公司可能不再需要人去人工审查所有的客户资料，你可以简化过程并只关注高风险客户。
在这个case中，分类器预测的是风险水平。同样的技术也可以应用于预测客户流失，机器故障以及其他各种业务问题。
在实际应用中，这个过程要花更多的时间，但这是理解机器学习的基本原理和关键步骤的很好的第一步。
此外，使用预先准备好的数据集有很大好处。在大多数情况下，要做大量的工作将数据变为易于建模的形式之后，机器学习的荣耀才会显现。这些工作包括数据清洗，特征选择，转换和格式化等。
长按图片，识别二维码，关注“天津大学神经工程与康复实验室”！