Random Forest

Random Forest entrena muchos árboles con bootstrap y submuestreo de características. Predice por votación (clasificación) o promedio (regresión), reduciendo la varianza y aumentando la robustez.

Cómo funciona (fórmulas) #

Árbol $h_b(x)$ por muestra bootstrap $\mathcal{D}_b$, para $b=1,\dots,B$.
Predicción:
- Clasificación: $\hat y = \operatorname*{arg,max}c \sum{b=1}^B \mathbf{1}[h_b(x)=c]$
- Regresión: $\hat y = \tfrac{1}{B}\sum_{b=1}^B h_b(x)$

Ejemplo (Gini): $\mathrm{Gini}(S)=1-\sum_c p(c\mid S)^2$

Entrenar y medir ROC-AUC #

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

n_features = 20
X, y = make_classification(
    n_samples=2500,
    n_features=n_features,
    n_informative=10,
    n_classes=2,
    n_redundant=0,
    n_clusters_per_class=4,
    random_state=777,
)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.33, random_state=777
)

model = RandomForestClassifier(
    n_estimators=50, max_depth=3, random_state=777, bootstrap=True, oob_score=True
)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
rf_score = roc_auc_score(y_test, y_pred)
print(f"ROC-AUC (test) = {rf_score}")

png

Desempeño por árbol #

import japanize_matplotlib

estimator_scores = []
for i in range(10):
    est = model.estimators_[i]
    estimator_scores.append(roc_auc_score(y_test, est.predict(X_test)))

plt.figure(figsize=(10, 4))
bar_index = [i for i in range(len(estimator_scores))]
plt.bar(bar_index, estimator_scores)
plt.bar([10], rf_score)
plt.xticks(bar_index + [10], bar_index + ["RF"])
plt.xlabel("índice de árbol")
plt.ylabel("ROC-AUC")
plt.show()

png

Importancia de características #

Basada en impureza #

plt.figure(figsize=(10, 4))
feature_index = [i for i in range(n_features)]
plt.bar(feature_index, model.feature_importances_)
plt.xlabel("índice de característica")
plt.ylabel("importancia")
plt.show()

png

Permutation importance #

permutation_importance

from sklearn.inspection import permutation_importance

p_imp = permutation_importance(
    model, X_train, y_train, n_repeats=10, random_state=77
).importances_mean

plt.figure(figsize=(10, 4))
plt.bar(feature_index, p_imp)
plt.xlabel("índice de característica")
plt.ylabel("importancia")
plt.show()

png

Visualizar árboles (opcional) #

from sklearn.tree import export_graphviz
from subprocess import call
from IPython.display import Image, display

for i in range(3):
    try:
        est = model.estimators_[i]
        export_graphviz(
            est,
            out_file=f"tree{i}.dot",
            feature_names=[f"x{i}" for i in range(n_features)],
            class_names=["A", "B"],
            proportion=True,
            filled=True,
        )
        call(["dot", "-Tpng", f"tree{i}.dot", "-o", f"tree{i}.png", "-Gdpi=500"])
        display(Image(filename=f"tree{i}.png"))
    except Exception:
        pass

png

Consejos de hiperparámetros #

n_estimators: más árboles → más estable, más cómputo.
max_depth: profundo → sobreajuste; poco profundo → infracceso.
max_features: menos → menor correlación, más diversidad.
bootstrap, oob_score: validación OOB opcional.