综述：随机森林和决策树一样都可用于分类和回归，然而随机森林的模型结果往往优于决策树。 本篇文章主要讲解以上两种ML算法的原理和常用参数。

一、 原理

1.1 决策树

1.1.1决策树释义

决策树是一种非参数的有监督学习方法。本质上是从训练数据集中归纳出一组决策规则，用来解决分类和回 归问题，规则由：根结点、内部结点、叶子结点（标签）组成的树状图来呈现。

1.1.2 决策树算法要解决两个核心问题：

1、如何从数据表中找出最佳节点和最佳分枝？
1）“不纯度”是决策树特征选择的依据，通常用基尼系数或者信息熵（信息增益）来计算，基尼系数的取值在[0,0.5]，信息熵的取值在[0,1]
2）我们需要知道：信息熵对不纯度更加敏感，信息熵作为指标时，计算速度缓慢一些，并且决策树生长的更加“精细”。如果有高维度数据和噪声数据，信息熵更容易过拟合，此时我们应选择基尼系数；反之，如果模型拟合程度低，在训练集和测试集上得分都较低时，我们应选择信息熵。
不过也并非绝对，机器学习的参数选择还是应由具体数据而定。
2、如何让决策树停止生长，防止过拟合？
1）限制树的深度；
2）限制在分支后每个子节点的样本量大小；
3）限制每个节点在分支前必须包含的样本量；
4）限制分支是考虑的特征个数：方法比较简单粗暴、有失严谨可能导致决策树学习不足，一般采用PCA等方式来降维；

1.2 随机森林

1.2.1 随机森林释义

随机森林是非常具有代表性的Bagging集成算法，它的所有基评估器都是单棵决策树。其中分类树集成的的一片森林就叫做随机森林分类器，回归树所集成的一片森林就叫做随机森林回归器。Bagging装袋法的核心思想是构建多个相互独立的评估器，然后对其预测进行平均或者多次表决原则来决定集成评估器的结果，袋装法的代表模型就是随机森林。

1.2.2 随机森林一定比单个分类器好么？

1、随机森林（袋装法）的前提是基分类器如何相互独立，如何做到？
1）随机森林自带随机性，生成的树天生不一样，由random_state 来控制，用法与决策树一致，当固定下来时，会控制生产一片固定的森林，而非让一片森林中只有一颗树
2）袋装法的有放回随机抽样来形成不同的训练集，由不同训练集得到的不同的基分类器自然也就不同了。
2、随机森林的结果一定比单个基分类器好么？

1）图中横轴：单个分类器的错误率；纵轴：随机森林的错误率，
2）图中的直线是森林中的每一颗树都相同，即对应的错误率都相同时的情况；图中的曲线是森林中的每一颗树都不相同，即错误率都不相同时的情况
3）可以从图像上看出，当单个分类器的误差率小于0.5，即准确率大于0.5时，集成的效果是比基分类器要好的。相反，当基分类器的误差率大于0.5，袋装的集成算法就很不理想。所以在使用随机森林之前，一定要检查，用来组成随机森林的单个分类树是否都有至少50%的预测正确率。

二、常用参数

2.1 决策树

2.1.1 分类常用参数

criterion: 确定不纯度的方法，默认值为“gini”，为基尼系数。也可选择：“entropy”
random_state: 用来设置分支中的随机模式的参数，默人为None，可以输入任意数值，让决策树稳定，一直生长同一棵树
splitter: 控制决策树中分支的随机选项，“best”决策树在分支时虽然随机，但是会选择更重要的特征进行分支，“random”决策树在分支时会更加随机
max_depth:  限制树的最大深度，超过设定深度的树枝会被全部剪掉，可从=3开始尝试
min_samples_split:  一个中间节点所需要的最小样本量，默认 = 2，小于该参数的设定值分支不会发生
min_samples_leaf: 分支后每个子节点所需要的最小样本量，默认 = 1，可输入整数或者浮点数，小于该参数的设定值分支不会发生
max_features:在做最佳分支时，考虑的特征个数
min_impurity_decrease: 限制不纯度降低的大小，默认 = 0，若不纯度的降低>= 该参数设定值，则保留，否则决策树不会继续生长
class_weight: 调节样本均衡的参数，可输入字典、“balanced”、“None”

2.1.2 回归常用参数

注： 回归树的常用参数和分类数相同，不同为以下两点：
1、criterion: 衡量分支质量的指标，“mse”、“friedman_mse”、“mae”，常用“mse”，为均方误差，本质是样本真实数据和回归结果的差异，我们希望mse的结果越接近0越好
2、不需要class_weight，因为在回归树种，没有标签分布是否均衡的问题

2.2 随机森林

2.2.1 分类常用参数

n_eatimators: 不影响模型复杂度，大就是好，但是达到一定程度之后，会在某个值的上下波动。该参数太大，会造成大的计算量，我们渴望在训练时间和模型效果之间取得平衡，常常利用交叉验证+循环的方式以较大的循环步长粗略确定范围，在以更精确的步长来进一步锁定最优效果所对应的参数值。
criterion: 确定不纯度的方法，默认值为“gini”，为基尼系数。也可选择：“entropy”
random_state: 随机森林自带随机性的原因，当该参数固定下来时，会控制生产一片固定的森林，而非让一片森林中只有一颗树
bootstrap： 默认为True,代表采用有放回的随机抽样技术
oof_score: 使用袋装法会让会有1-0.632 的比例的数据落出袋外，可以用来做测试集，使用接口oob_score_查看袋外数据上测试的结果
max_depth:  限制树的最大深度，超过设定深度的树枝会被全部剪掉，可从=3开始尝试
min_samples_split:  一个中间节点所需要的最小样本量，默认 = 2，小于该参数的设定值分支不会发生
min_samples_leaf: 分支后每个子节点所需要的最小样本量，默认 = 1，可输入整数或者浮点数，小于该参数的设定值分支不会发生
max_features:在做最佳分支时，考虑的特征个数
min_impurity_decrease: 限制不纯度降低的大小，默认 = 0，若不纯度的降低>= 该参数设定值，则保留，否则决策树不会继续生长

2.2.2 回归常用参数

注：  所有的常用参数全部和随机森林分类器一致。仅有的不同就是回归树与分类树的不同，不纯度的指标，参数Criterion不一致。
criterion: 衡量分支质量的指标，“mse”、“friedman_mse”、“mae”，常用“mse”，为均方误差，本质是样本真实数据和回归结果的差异，我们希望mse的结果越接近0越好

注：学习机器学习算法有一段时间了，喜欢看讲解+实践操练(码一遍)的方式学习，看过不同老师的视频讲解，觉得【菜菜的sklearn】讲的尤其清楚，供大家参考，b站可以搜到。学习的路上一位好的老师很重要，分享出来，希望一同学习的小伙伴可以少走弯路，提升ROI！！哈哈