使用scikit-learn解释随机森林算法

在以前的一篇博文里，我讨论过如何将随机森林算法转化为一个“白盒”，这样每次预测就能被分解为各项特征的贡献和，即

我多次想找相关的代码。然而，绝大多数的随机森林算法库（包括scikit-learn）不暴露预测过程的树路径（tree paths）。sklearn的实现方法需要一个额外补丁来暴露。庆幸的是，scikit-learn自0.17版起在API中添加了两项功能，使得这个过程相对而言比较容易理解：获取用于预测的所有叶子节点的ID，并存储所有决策树的所有节点的中间值，而不仅仅只存叶子节点的。结合这两步，就可以获取每次独立预测的预测路径，同时根据查看路径来分解预测过程。

代码已经放在github上了，也可以用 pip install treeinterpreter进行安装。

注意：需要用到仍在开发中的scikit-learn 0.17，你在下面的链接中能找到安装方法http://scikit-learn.org/stable/install.html#install-bleeding-edge。

用treeinterpreter分解随机森林预测

我们选一个简单的数据集，训练一个随机森林模型，并用测试集进行预测，然后分解预测过程。

1. from treeinterpreter import treeinterpreter as ti
2. from sklearn.tree import DecisionTreeRegressor
3. from sklearn.ensemble import RandomForestRegressor
4. import numpy as np
6. from sklearn.datasets import load_boston
7. boston = load_boston()
8. rf = RandomForestRegressor()
9. rf.fit(boston.data[:300], boston.target[:300])

我们随机挑选两个预测价格不相同的样本。

1. instances = boston.data[[300, 309]]
2. print "Instance 0 prediction:", rf.predict(instances[0])
3. print "Instance 1 prediction:", rf.predict(instances[1])

Instance 0 prediction: [ 30.76] Instance 1 prediction: [ 22.41]

随机森林模型对它们的预测结果迥然不同。这是为什么呢？我们接下来就把预测结果分为偏置项（也就是训练集的平均结果）和单个特征贡献值，以便于观察究竟哪些特征项造成了差异，差异程度有多大。

我们直接调用tree interpreter的predict方法，向其传入模型和数据作为参数。

1. prediction, bias, contributions = ti.predict(rf, instances)

打印出这些结果：

1. for i in range(len(instances)):
2. print "Instance", i
3. print "Bias (trainset mean)", biases[i]
4. print "Feature contributions:"
5. for c, feature in sorted(zip(contributions[i],
6. boston.feature_names),
7. key=lambda x: -abs(x[0])):
8. print feature, round(c, 2)
9. print "-"*20

Instance 0 Bias (trainset mean) 25.2849333333 Feature contributions: RM 2.73 LSTAT 1.71 PTRATIO 1.27 ZN 1.04 DIS -0.7 B -0.39 TAX -0.19 CRIM -0.13 RAD 0.11 INDUS 0.06 AGE -0.02 NOX -0.01 CHAS 0.0

--------------------

Instance 1 Bias (trainset mean) 25.2849333333 Feature contributions: RM -4.88 LSTAT 2.38 DIS 0.32 AGE -0.28 TAX -0.23 CRIM 0.16 PTRATIO 0.15 B -0.15 INDUS -0.14 CHAS -0.1 ZN -0.05 NOX -0.05 RAD -0.02

特征贡献值按照其绝对值从大到小排序。我们观察到第一个样本的预测结果较高，正贡献值主要来自RM、LSTAT和PTRATIO特征。第二个样本的预测值则低得多，因为RM特征实际上有很大的负面影响，它不会被其它特征的正面影响所抵消，因此使得预测值要低于数据集的平均水平。

分解的结果真的对吗？很容易检验：偏置和特征贡献值相加应该等于预测值：

1. print prediction
2. print biases + np.sum(contributions, axis=1)

[ 30.76 22.41] [ 30.76 22.41]

注意，在把贡献值相加时，我们需要对浮点数进行处理，所以经过四舍五入处理后的值可能略有不同。

比较两个数据集

这个方法的用武之地之一就是比较两个数据集。例如:

• 理解造成两个数据集预测值差异的真正原因，比如是什么因素导致相邻两幢房屋的预测价值差异。
• 调试模型和数据，例如解释为什么新数据的平均预测值和旧数据的不一样。

还是上面这个例子，我们把房价数据的测试集再一分为二，分别计算它们的平均预测价值。

1. ds1 = boston.data[300:400]
2. ds2 = boston.data[400:]
4. print np.mean(rf.predict(ds1))
5. print np.mean(rf.predict(ds2))

22.1912 18.4773584906

我们发现两个数据集的平均预测价值完全不同。现在我们就能细分导致差异的因素：究竟哪些特征项造成了差异，差异程度有多大。

1. prediction1, bias1, contributions1 = ti.predict(rf, ds1)
2. prediction2, bias2, contributions2 = ti.predict(rf, ds2)

我们再来计算每一维特征的平均贡献程度。

1. totalc1 = np.mean(contributions1, axis=0)
2. totalc2 = np.mean(contributions2, axis=0)

由于两个数据集的偏置项都一样（因为模型的训练集都一样），平均预测价值的差异只能来自于特征的贡献值。换句话说，特征贡献差异的总和应该与平均预测的差异相等，我们很容易验证

1. print np.sum(totalc1 - totalc2)
2. print np.mean(prediction1) - np.mean(prediction2)

3.71384150943 3.71384150943

最后，我们把每一维特征贡献的差异之和显示出来，正好就是平均预测值的差异。

1. for c, feature in sorted(zip(totalc1 - totalc2,
2. boston.feature_names), reverse=True):
3. print feature, round(c, 2)

LSTAT 2.8 CRIM 0.5 RM 0.5 PTRATIO 0.09 AGE 0.08 NOX 0.03 B 0.01 CHAS -0.01 ZN -0.02 RAD -0.03 INDUS -0.03 TAX -0.08 DIS -0.14

分类树和森林

同样的方法也能用于分类树，查看特征对某个类别的预测概率值的影响力。

我们在iris数据集上做演示。

1. from sklearn.ensemble import RandomForestClassifier
2. from sklearn.datasets import load_iris
3. iris = load_iris()
5. rf = RandomForestClassifier(max_depth = 4)
6. idx = range(len(iris.target))
7. np.random.shuffle(idx)
9. rf.fit(iris.data[idx][:100], iris.target[idx][:100])

接着用一个独立样本做预测。

1. instance = iris.data[idx][100:101]
2. print rf.predict_proba(instance)

拆分每一维特征的贡献值：

1. prediction, bias, contributions = ti.predict(rf, instance)
2. print "Prediction", prediction
3. print "Bias (trainset prior)", bias
4. print "Feature contributions:"
5. for c, feature in zip(contributions[0],
6. iris.feature_names):
7. print feature, c

Prediction [[ 0. 0.9 0.1]] Bias (trainset prior) [[ 0.36 0.262 0.378]] Feature contributions: sepal length (cm) [-0.1228614 0.07971035 0.04315104] sepal width (cm) [ 0. -0.01352012 0.01352012] petal length (cm) [-0.11716058 0.24709886 -0.12993828] petal width (cm) [-0.11997802 0.32471091 -0.20473289]

我们看到对第二类预测能力最强的特征是花瓣长度和宽度，它们极大提高了预测的概率值。

总结

让随机森林算法的预测结果具有解释性也很容易，几乎达到了线性模型的解释能力。有了treeinterpreter，这个步骤只需几行代码就能搞定。

原文地址：Random forest interpretation with scikit-learn（译者/赵屹华 校检/刘帝伟、朱正贵、李子健 责编/周建丁）

赵屹华，计算广告工程师@搜狗，前生物医学工程师，关注推荐算法、机器学习领域。

本文为CSDN编译整理，未经允许不得转载，如需转载请联系market#csdn.net(#换成@)