为什么单树随机森林比决策树分类器好得多？

Question

我申请了使用以下代码将决策树分类器和随机森林分类器添加到我的数据中：

def decision_tree(train_X, train_Y, test_X, test_Y):

    clf = tree.DecisionTreeClassifier()
    clf.fit(train_X, train_Y)

    return clf.score(test_X, test_Y)


def random_forest(train_X, train_Y, test_X, test_Y):
    clf = RandomForestClassifier(n_estimators=1)
    clf = clf.fit(X, Y)

    return clf.score(test_X, test_Y)

为什么随机森林分类器的结果好得多（运行 100 次，随机抽取 2/3 的数据用于训练，1/3 用于测试）？

100%|███████████████████████████████████████| 100/100 [00:01<00:00, 73.59it/s]
Algorithm: Decision Tree
  Min     : 0.3883495145631068
  Max     : 0.6476190476190476
  Mean    : 0.4861783113770316
  Median  : 0.48868030937802126
  Stdev   : 0.047158171852401135
  Variance: 0.0022238931724605985
100%|███████████████████████████████████████| 100/100 [00:01<00:00, 85.38it/s]
Algorithm: Random Forest
  Min     : 0.6846846846846847
  Max     : 0.8653846153846154
  Mean    : 0.7894823428836184
  Median  : 0.7906101571063208
  Stdev   : 0.03231671150915106
  Variance: 0.0010443698427656967

一个估计量的随机森林估计量不就是一棵决策树吗？我做错了什么或误解了这个概念吗？

Answer 1

The random forest estimators with one estimator isn't just a decision tree?

好吧，这是个好问题，答案竟然是没有；随机森林算法不仅仅是一个简单的单独生长的决策树包。

除了从集成许多树中引入的随机性之外，随机森林 (RF) 算法还在以两种不同的方式构建 个体树 时结合了随机性，none它存在于简单的决策树 (DT) 算法中。

首先是在每个树节点寻找最佳分割时要考虑的特征数量：DT 考虑所有特征，而 RF 考虑它们的随机子集，其大小等于参数 max_features（参见 docs）。

第二个是，当 DT 考虑整个训练集时，单个 RF 树只考虑它的一个 bootstrapped 子样本；再次来自 docs：

The sub-sample size is always the same as the original input sample size but the samples are drawn with replacement if bootstrap=True (default).

RF 算法本质上是两个独立思想的组合：装袋和随机选择特征（请参阅 Wikipedia entry 以获得很好的概述）。装袋本质上是我上面的第二点，但适用于整体；随机选择特征是我上面的第一点，它似乎是在 Breiman 的 RF 之前由 Tin Kam Ho 独立提出的（再次参见维基百科词条）。 Ho 已经建议仅随机特征选择可以提高性能。这与您在这里所做的不完全相同（您仍然使用装袋中的 bootstrap 采样想法），但您可以通过在 RandomForestClassifier() 参数中设置 bootstrap=False 轻松复制 Ho 的想法。事实是，鉴于这项研究，性能差异并不意外...

要完全复制RandomForestClassifier()中单个树的行为，您应该同时使用bootstrap=False和max_features=None参数，即

clf = RandomForestClassifier(n_estimators=1, max_features=None, bootstrap=False)

在这种情况下，既不会发生bootstrap采样，也不会发生随机特征选择，性能应该大致等于单个决策树。

为什么单树随机森林比决策树分类器好得多？

Why is Random Forest with a single tree much better than a Decision Tree classifier?

python

machine-learning

decision-tree

random-forest

scikit-learn