如何在sklearn中获得随机森林中的决策函数

Question

我正在使用以下代码通过 gridsearchcv.

获取 randomforest 的优化参数

x_train, x_test, y_train, y_test = train_test_split(X, y, random_state=0)
rfc = RandomForestClassifier(random_state=42, class_weight = 'balanced')
param_grid = { 
    'n_estimators': [200, 500],
    'max_features': ['auto', 'sqrt', 'log2'],
    'max_depth' : [4,5,6,7,8],
    'criterion' :['gini', 'entropy']
}
k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=0)
CV_rfc = GridSearchCV(estimator=rfc, param_grid=param_grid, cv= 10, scoring = 'roc_auc')
CV_rfc.fit(x_train, y_train)
print(CV_rfc.best_params_)
print(CV_rfc.best_score_)

现在，我想将调整后的参数应用到 X_test。为此，我做了以下操作，

pred = CV_rfc.decision_function(x_test)
print(roc_auc_score(y_test, pred))

但是，decision_function 似乎不支持 randomforest，因为我收到以下错误。

AttributeError: 'RandomForestClassifier' object has no attribute 'decision_function'.

还有其他方法吗？

如果需要，我很乐意提供更多详细信息。

Answer 1

您可以使用 predict() 方法或使用 best_estimator_

获得优化的随机森林模型

Answer 2

如果您打算获得一个模型评分函数，以便评分可用于 auc_roc_score，那么您可以选择 predict_proba()

y_pred_proba = CV_rfc.predict_proba(x_test)
print(roc_auc_score(y_test, y_pred_proba[:,1]))

Answer 3

你的代码，

pred = CV_rfc.decision_function(x_test)
print(roc_auc_score(y_test, pred))

让我觉得您正在尝试使用经过训练的模型进行预测。

如果你想获得预测标签，你可以这样做，

pred = CV_rfc.predict(x_test)

然后输出将是 class 个标签，例如 [1, 2, 1, ... ]

如果你想获得 class 概率，你可以像这样使用 predict_proba

pred = CV_rfc.predict_proba(x_test)

如何在sklearn中获得随机森林中的决策函数

How to get decision function in randomforest in sklearn

python

machine-learning

random-forest

scikit-learn

grid-search