1.我們的特征有多重要？

在sklearn隨機(jī)森林中使用model.feature_importance來研究其重要特征是很常見的。重要特征是指與因變量密切相關(guān)的特征，并且對因變量的變化影響較大。我們通常將盡可能多的特征提供給隨機(jī)森林模型，并讓算法反饋對預(yù)測最有用的特征列表。但仔細(xì)選擇正確的特征可以使我們的目標(biāo)預(yù)測更加準(zhǔn)確。

計(jì)算feature_importances的想法很簡單，但卻很有效。

把想法分解成簡單的幾步：

1. 訓(xùn)練隨機(jī)森林模型（假定有正確的超參數(shù)）

2. 找到模型的預(yù)測分?jǐn)?shù)（稱之為基準(zhǔn)分?jǐn)?shù)）

3. 多次（p次，p為特征個(gè)數(shù)）計(jì)算預(yù)測分?jǐn)?shù)，每次打亂某個(gè)特征的順序，可見下圖

4. 將每次預(yù)測分?jǐn)?shù)與基準(zhǔn)分?jǐn)?shù)進(jìn)行比較。如果隨機(jī)調(diào)整特征順序后預(yù)測分?jǐn)?shù)小于基準(zhǔn)分?jǐn)?shù)，這意味著我們的模型如果沒有這個(gè)特征會變得很糟糕。

5. 刪除那些不會降低基準(zhǔn)分?jǐn)?shù)的特征，并用減少后的特征子集重新訓(xùn)練模型。

                   圖1：計(jì)算特征重要性

注：將F4列打亂重新進(jìn)行預(yù)測來判斷特征F4的重要性

計(jì)算特征重要性的代碼：

下面的代碼將為所有特征提供一個(gè)結(jié)構(gòu)為{特征，重要性}的字典。

             圖2：隨機(jī)森林中的重要特征

輸出：

2.我們對我們的預(yù)測有多大信心？

一般來說，當(dāng)企業(yè)想要有所預(yù)測時(shí)，他們的最終目的不是降低成本就是提高利潤。在做出重大商業(yè)決策之前，企業(yè)十分熱衷于去評估做出這個(gè)決定的風(fēng)險(xiǎn)的大小。但是，當(dāng)預(yù)測結(jié)果并沒有被展現(xiàn)在置信區(qū)間時(shí)，我們可能會無意中將企業(yè)至于更多的風(fēng)險(xiǎn)中，而不是降低風(fēng)險(xiǎn)。

當(dāng)我們使用線性模型（基于分布假設(shè)的一般模型）時(shí)，比較容易找到我們預(yù)測的置信水平。但是當(dāng)談到隨機(jī)森林的置信區(qū)間時(shí)，找起來并不是那么容易。

            圖3：偏差與方差的說明圖

我想，任何上過線性回歸課程的人都肯定看過這張圖3。為了找到一個(gè)最佳線性模型，我們要去尋找偏差—方差最為折衷的模型。這張圖片很好地說明了預(yù)測中偏差和方差的定義。（我們理解為這4張圖分別是由四個(gè)不同的人擲飛鏢所得）。

如果我們有高偏差和低方差值時(shí)（第三個(gè)人），我們投擲的飛鏢會固定的遠(yuǎn)離紅心。相反，如果我們有高的方差和低的偏差（第二個(gè)人），那么他投擲飛鏢的結(jié)果就很不一樣。如果有人去猜測他下一個(gè)飛鏢擊中的位置，那么它既有可能打到靶心也有可能遠(yuǎn)離靶心?，F(xiàn)在我們來假設(shè)在現(xiàn)實(shí)生活中識別一起信用欺詐等同于上面例子擊中靶心。如果信用公司擁有的的預(yù)測模型與上面第二人的擲飛鏢行為很相似，那么該公司在大多數(shù)時(shí)候都不會抓住這個(gè)詐騙犯，盡管模型預(yù)測的是正確的。

因此，不僅僅是意味著預(yù)測的準(zhǔn)確程度，我們還應(yīng)該檢查我們的預(yù)測的置信水平。

在隨機(jī)森林中如何做到這一點(diǎn)？

隨機(jī)森林是由許多決策樹組成。每棵樹分別預(yù)測新的數(shù)據(jù)，隨機(jī)森林從這些樹中提取出平均預(yù)測值。預(yù)測置信水平的想法只是為了去看來自不同樹木的預(yù)測有多少因?yàn)樾碌挠^測而產(chǎn)生變化，然后進(jìn)一步分析。

基于方差樹預(yù)測置信度的源代碼：

以上代碼的輸出如下所示：

          圖4：基于方差樹的置信樹

從這個(gè)輸出數(shù)據(jù)可以讀出，我們可以說我們對于驗(yàn)證集上索引為14的觀測的預(yù)測最沒有信心。

3.什么是預(yù)測路徑？

如果我們想要分析哪些特征對于整體隨機(jī)森林模型是重要的，則 特征重要性（如在第一部分中）是有用的。但是如果我們對某個(gè)特定的觀察感興趣，那么 Tree interpreter的角色就會發(fā)揮作用。

舉個(gè)例子，現(xiàn)在有一個(gè)RF模型，這種模型會預(yù)測—一位來醫(yī)院的患者X是否具有很高的概率再入院?，為了簡單起見，我們考慮只有3個(gè)特征—患者的血壓值，患者的年齡以及患者的性別?，F(xiàn)在，如果我們的模型認(rèn)為患者A有80％的可能會再次入院，我們怎么能知道這個(gè)被模型預(yù)測為他（她）將重新入院的患者A有什么特殊之處?在這種情況下，Tree interpreter會指示預(yù)測路徑緊隨那個(gè)特殊的患者。就像是，因?yàn)?strong>患者A是65歲的男性，這就是為什么我們的模型會預(yù)測他將再次入院。另一個(gè)被模型預(yù)測將再次入院的患者B ，可能時(shí)因?yàn)樗懈哐獕海ǘ皇且驗(yàn)槟挲g或性別）。

基本上，Tree interpreter給出了偏差的排序列表（在起始節(jié)點(diǎn)的平均值）以及單個(gè)節(jié)點(diǎn)對給定預(yù)測的貢獻(xiàn)。

圖5:決策樹路徑（來源：http://blog.datadive.net/interpreting?random?forests/）

圖5的這棵決策樹（深度：3層）基于波士頓房價(jià)數(shù)據(jù)集。根據(jù)中間節(jié)點(diǎn)的預(yù)測值以及導(dǎo)致數(shù)值發(fā)生變化的特征，它顯示了決策路徑的分解。單節(jié)點(diǎn)的貢獻(xiàn)是該節(jié)點(diǎn)的值與前一個(gè)節(jié)點(diǎn)值的差值。

圖6:Tree  interpreter（最終再次入院的概率=0.6)

圖6 給出了對于患者A使用Tree interpreter的輸出示例。圖片顯示年齡為65歲是模型預(yù)測再入院概率高于均值的最高貢獻(xiàn)者。

    圖7:將特征貢獻(xiàn)通過瀑布圖可視化展示

圖6同樣也可以使用瀑布圖7來表示。我從“ 瀑布圖包 ”中選材做的這個(gè)快速簡單的瀑布圖。

上面的瀑布圖可視化代碼：

相關(guān)變量的闡釋：
· 值（圖片B)是指通過節(jié)點(diǎn)預(yù)測目標(biāo)值。（就是在該節(jié)點(diǎn)中落下的觀測目標(biāo)的平均值）。
· 貢獻(xiàn)是當(dāng)前節(jié)點(diǎn)的值減去上一節(jié)點(diǎn)的值（這是為一個(gè)路徑提供的貢獻(xiàn)特征）。
· 路徑是為了到達(dá)葉節(jié)點(diǎn)而通過某些觀察所獲得的所有特征分割的組合。
tree interpreter包直接用來計(jì)算每個(gè)節(jié)點(diǎn)的貢獻(xiàn)，鏈接：treeinterpreter

4.目標(biāo)變量如何與重要特征相關(guān)？ Partial Dependence Plots

找到最重要的特征后，下一步我們可能會感興趣的是研究目標(biāo)變量與興趣特征之間的直接關(guān)系。從線性回歸中得到的與其相類似的是模型系數(shù)。對于線性回歸，系數(shù)以這種方式被計(jì)算，即我們可以通過說：“在Xj中有1個(gè)單位變化，保持所有其他Xi不變，Y會發(fā)生什么變化？”這樣的方式來表示。

雖然我們有來自隨機(jī)森林的特征重要性，但是它們只是給出Y的變量是由Xi的改變之間的相關(guān)性。我們不能直接地解釋他們就像保持所有其他特征不變，Y該變量取決于Xj中的單位的變化。

幸運(yùn)的是，我們有看一被看作線性模型系數(shù)圖表的局部依賴圖，但同樣也可被擴(kuò)展為看起來像黑箱模型。這個(gè)想法是將預(yù)測中所做的改變孤立于一個(gè)特定的功能。它不同于X對Y的散點(diǎn)圖，因?yàn)樯Ⅻc(diǎn)圖不能隔離X對Y的直接關(guān)系，并且可能受X和Y所依賴的其他變量的間接關(guān)系所影響。

PDP分析步驟如下：

1. 訓(xùn)練一個(gè)隨機(jī)森林模型（假設(shè)F1 … F4是我們的特征，Y是目標(biāo)變量，假設(shè)F1是最重要的特征）。

2. 我們有興趣探索Y和F1的直接關(guān)系。

3. 用F1（A）代替F1列，并為所有的觀察找到新的預(yù)測值。采取預(yù)測的平均值。（稱之為基準(zhǔn)值）

4. 對F1（B）… F1（E）重復(fù)步驟3，即針對特征F1的所有不同值。

5. PDP的X軸具有不同的F1值，而Y軸是雖該基準(zhǔn)值F1值的平均預(yù)測而變化。

                 圖8:PDP分析邏輯

圖 9 是partial dependence plot的一個(gè)例子。數(shù)據(jù)來自 kaggle bulldozer competition data，它顯示了生產(chǎn)年份（YearMade）和（銷售價(jià)格）SalesPrice的關(guān)系

圖9:partial  dependence  plot（YearMade與SalePrice的變化)

而圖10是SalePrice與YearMade的線狀圖。我們可以看到，散點(diǎn)圖/折線圖可能無法像PDP那樣捕獲YearMade對SalesPrice的直接影響。

圖10:上述兩個(gè)圖片均來自(來源https://github.com/fastai/fastai/tree/master/courses/ml1)

寫在最后：

在大多數(shù)情況下，隨機(jī)森林在預(yù)測中可以擊敗線性模型預(yù)測。針對隨機(jī)森林經(jīng)常提出的反對意見是：對它的理解沒有線性模型那樣直觀，但是本文的討論希望幫助你回答這樣的反對意見。

作者個(gè)人簡歷：目前在舊金山大學(xué)學(xué)習(xí)數(shù)據(jù)科學(xué)（分析），在Manifold.ai做實(shí)習(xí)生。此前，曾在凱捷咨詢公司擔(dān)任數(shù)據(jù)科學(xué)家，在Altisource擔(dān)任高級業(yè)務(wù)分析師。