机器学习超详细实践攻略(10)：随机森林算法详解及小白都能看懂的调参指南

原创最新推荐文章于 2026-09-26 09:15:03 发布 2.4w 阅读 AI写同款

收录于

机器学习超详细攻略

东写西读李老湿

码龄13年墨衍会员 · AI 创作全网分发

481粉丝73篇原创

关注

sklearn的系统学习——随机森林调参（含案例及完整python代码）对于调参，首先需要明白调参的核心问题是什么，然后理清思路，再进行调参。调参并非是一件容易的事情，很多大牛靠的是多年积累的经验和清晰的处理思路，那对于我们而言，也应对调参思路和方向有一个认识，然后就是不断地尝试。...... 阅读详情

AI摘要

本文深入解析随机森林算法原理，包括其构建过程、特点及优势，并提供详细的调参指南，帮助读者理解如何有效应用这一强大的集成学习方法。

一、什么是随机森林

前面我们已经介绍了决策树的基本原理和使用。但是决策树有一个很大的缺陷：因为决策树会非常细致地划分样本，如果决策树分得太多细致，会导致其在训练集上出现过拟合，而如果决策树粗略地划分样本，又不能很好地拟合样本。

为了解决这个两难困境，聪明的专家们想出了这样的思路：既然我增加单棵树的深度会适得其反，那不如我不追求一个树有多高的精确度，而是训练多棵这样的树来一块预测，一棵树的力量再大，也是有限的，当他们聚成一个集体，它的力量可能是难以想象的，也就是我们常说的：“三个臭皮匠赛过诸葛亮”。这便是集成学习的思想。

这里多提一句，正是因为每棵树都能够用比较简单的方法细致地拟合样本，我们可以多用几棵树来搭建准确率更高的算法，后边要说到的一些工业级的算法，比如GBDT、XGBOOST、LGBM都是以决策树为积木搭建出来的。

所以在学习这些算法的过程中，我们也要把决策树算法看成一块块积木，学完了基本的积木算法之后，对于现在常用的那几个工业级的算法，只需要理清两个问题：

1）这个算法利用了哪个集成学习思想

2）这个算法具体怎么把这个思想实现出来的。

随机森林就是决策树们基于bagging集成学习思想搭建起来的。

随机森林的算法实现思路非常简单，只需要记住一句口诀：抽等量样本，选几个特征，构建多棵树。

下面，我们详细解释这个口诀的含义：

1）抽等量样本

随机森林训练每棵树之前，都会从训练集中随机抽出一部分样本来训练。所以说训练每棵树用到的样本其实都是有差别的，这样就保证了不同的树可以重点学习不同的样本。而为了达到抽等量样本的目的，抽样方式一般是有放回的抽样，也就是说，在训练某棵树的时候，这一次被抽到的样本会被放回数据集中，下一次还可能被抽到，因此，原训练集中有的样本会多次被抽出用来训练，而有的样本可能不会被使用到。

但是不用担心有的样本没有用到，只要训练的树的棵数足够多，大多数训练样本总会被取到的。有极少量的样本成为漏网之鱼也不用担心，后边我们会筛选他们出来用来测试模型。

2）选几个特征

在训练某棵树的时候，也不是将样本的所有特征都用来训练，而是会随机选择一部分特征用来训练。这样做的目的就是让不同的树重点关注不同的特征。在scikit-learn中，用“max_features”这个参数来控制训练每棵树选取的样本数。

3）构建多棵树。

通过1）、2）两个步骤，训练多棵树。鲁迅曾经说过：世界上本没有森林，长得树多了，就成了森林。正是一棵棵决策树构成了整个随机森林。具体构建树的数量，在scikit-learn中，用“n_estimators”这个参数来控制。
在这里插入图片描述

那最终的预测结果怎么得到呢？随机森林是非常民主的算法，最终的结果由每棵决策树综合给出：如果是分类问题，那么对于每个测试集，树都会预测出一个类别进行投票，最终统计票数多的那个类别为最终类别。看看，这算法俨然是一个遵循：“少数服从多数”的原则的小型民主社会；如果是回归问题，那就更简单了，各个树得到的结果相加求得一个平均值为最终回归结果。

从上边的流程中可以看出，随机森林的随机性主要体现在两个方面：**数据集的随机选取、每棵树所使用特征的随机选取。**以上两个随机性使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。

二、随机森林的特点

以上就是随机森林的构建原理，下面，我们说说随机森林算法的优缺点：

1、优点：

1）实现简单，泛化能力强，可以并行实现，因为训练时树与树之间是相互独立的；

2）相比单一决策树，能学习到特征之间的相互影响，且不容易过拟合；

3）能直接特征很多的高维数据，因为在训练过程中依旧会从这些特征中随机选取部分特征用来训练；

4）相比SVM，不是很怕特征缺失，因为待选特征也是随机选取；

5）训练完成后可以给出特征重要性。当然，这个优点主要来源于决策树。因为决策树在训练过程中会计算熵或者是基尼系数，越往树的根部，特征越重要。

2、缺点

1）在噪声过大的分类和处理回归问题时还是容易过拟合；

2）相比于单一决策树，它的随机性让我们难以对模型进行解释。

三、随机森林的使用

和决策树类似，随机森林同样可以分为分类森林（RandomForestClassifier ）和回归森林（RandomForestRegressor），在scikit-lean中调用方式和决策树相同。

让我们在手写识别数据集上实现一个分类森林。

#导入必要的包
from sklearn.ensemble import RandomForestClassifier 
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split,GridSearchCV,cross_val_score
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt
import numpy as np

#导入数据集
data = load_digits()
x = data.data
y = data.target

用随机森林训练并进行交叉验证：

RF = RandomForestClassifier(random_state = 66)
score = cross_val_score(RF,x,y,cv=10).mean()
print('交叉验证得分: %.4f'%score)

输出：

交叉验证得分: 0.9278

四、随机森林调参

一）随机森林参数介绍

除了和决策树有的参数之外，对于随机森林，只需要掌握8个新增的参数即可，我将这8个参数分成三类：

1、用于调参的参数：

max_features（最大特征数）: 这个参数用来训练每棵树时需要考虑的最大特征个数，超过限制个数的特征都会被舍弃，默认为auto。可填入的值有：int值，float（特征总数目的百分比），“auto”/“sqrt”（总特征个数开平方取整）,“log2”（总特征个数取对数取整）。默认值为总特征个数开平方取整。值得一提的是，这个参数在决策树中也有但是不重要，因为其默认为None，即有多少特征用多少特征。为什么要设置这样一个参数呢？原因如下：考虑到训练模型会产生多棵树，如果在训练每棵树的时候都用到所有特征，以来导致运算量加大，二来每棵树训练出来也可能千篇一律，没有太多侧重，所以，设置这个参数，使训练每棵树的时候只随机用到部分特征，在减少整体运算的同时还可以让每棵树更注重自己选到的特征。
n_estimators：随机森林生成树的个数，默认为100。

2、控制样本抽样参数：

bootstrap：每次构建树是不是采用有放回样本的方式(bootstrap samples)抽取数据集。可选参数：True和False，默认为True。
oob_score：是否使用袋外数据来评估模型，默认为False。

boostrap和 oob_score两个参数一般要配合使用。如果boostrap是False，那么每次训练时都用整个数据集训练，如果boostrap是True，那么就会产生袋外数据。

先解释一下袋外数据的概念：

在一个含有n个样本的原始训练集中，我们每次随机取出一个样本并记录，并在抽取下一个样本之前将该样本放回原始训练集，即下次采样时这个样本依然可能被采集到，这样采集n次，最终得到一个和原始训练集一样大的子数据集。

由于是随机采样，这样每次的子数据集和原始数据集都不同，用这些子数据集来各自训练一棵树，这些树的参数自然也就各不相同了。

然而有放回抽样也会有自己的问题。由于是有放回，一些样本可能在同一个自助集中出现多次，而其他一些却可能被忽略，一般来说，每一次抽样，某个样本被抽到的概率是 1/n ，所以不被抽到的概率就是 1-1/n ,所以n个样本都不被抽到的概率就是： $(1-\frac{1}{n})^n$ 用洛必达法则化简，可以得到这个概率收敛于(1/e)，约等于0.37。

因此，如果数据量足够大的时候，会有约37%的训练数据被浪费掉，没有参与建模，这些数据被称为袋外数据(out of bag data，简写为oob)。

为了这些数据不被浪费，我们也可以把他们用来作为集成算法的测试集。也就是说，在使用随机森林时，我们可以不划分测试集和训练集，只需要用袋外数据来测试我们的模型即可。

当然，这需要样本数据n和分类器个数n_estimators都很大，如果数据集过少，很可能就没有数据掉落在袋外，自然也就无法使用oob数据来测试模型了。

当bootstrap参数取默认值True时，表示抽取数据集时采用这种有放回的随机抽样技术。如果希望用袋外数据来测试，则需要在实例化时就将oob_score这个参数调整为True，训练完毕之后，我们可以用随机森林的另一个重要属性：oob_score_来查看我们的在袋外数据上测试的结果，代码如下：

#训练一个模型，让oob_score=True
RF1 = RandomForestClassifier(n_estimators=25,oob_score=True)
RF1 =RF1.fit(x,y)
#查看oob_score_，即袋外误差
RF1.oob_score_

输出：0.9393433500278241

这个就是没有参与训练的数据集在模型上的测试得分。

3、不重要参数

max_samples：构建每棵树需要抽取的最大样本数据量，默认为None，即每次抽取样本数量和原数据量相同。
n_jobs:：设定fit和predict阶段并列执行的CPU核数,如果设置为-1表示并行执行的任务数等于计算机核数。默认为None，即采用单核计算。
verbose：控制构建数过程的冗长度，默认为0。一般不需要管这个参数。
warm_start：当设置为True,重新使用之前的结构去拟合样例并且加入更多的估计器(estimators,在这里就是随机树)到组合器中。默认为 False

以上这几个参数只需要简单了解即可，大多数参数在使用过称重不用调整，只是需要注意一点，n_jobs默认为None，为了加快速度，可以把n_jobs设置为-1。

二）随机森林调参顺序

介绍完了这些参数，接下来就要介绍随机森林的调参顺序了，随机森林的调参顺序一般遵循先重要后次要、先粗放后精细的原则，即先确定需要多少棵树参与建模，再对每棵树做细致的调参，精益求精。

相对于xgboost等算法，随机森林的调参还是相对比较简单，因为各个参数之间互相影响的程度很小，只需要按步骤调整即可。

结合我们决策树文章中提到的参数以及今天所讲的两个参数，随机森林中主要用来调参的参数有6个：

n_estimators：
criterion
max_depth
min_samples_split
min_samples_leaf
max_features

调参顺序如下：

1）选择criterion参数（决策树划分标准）

和决策树一样，这个参数只有两个参数 ‘entropy’（熵）和 ‘gini’（基尼系数）可选，默认为gini，这里简单测试一下就好

RF = RandomForestClassifier(random_state = 66)
score = cross_val_score(RF,x,y,cv=10).mean()
print('基尼系数得分: %.4f'%score)
RF = RandomForestClassifier(criterion = 'entropy',random_state = 66)
score = cross_val_score(RF,x,y,cv=10).mean()
print('熵得分: %.4f'%score)

输出：

基尼系数得分: 0.9278
熵得分: 0.9249

这里看到，依旧是选用gini系数模型效果更好。

2）探索n_estimators的最佳值。

接下来才是进入真正的调参环节。根据上述调参原则，我们先看看用几棵树模型的表现最好。一般来说，树的棵数越多，模型效果表现越好，但树的棵数达到一定的数量之后，模型精确度不再上升，训练这个模型的计算量却逐渐变大。这个时候，再加树的数量就没必要了。就好比你饿的时候每吃一个馒头就特别顶饱，但是吃到一定数量的馒头之后，再吃就要撑着了。

只要找到这个临界值，这个参数就调好了。为了观察得分随着树增多的变化，我们依然绘制决策树调参时的学习曲线。

###调n_estimators参数
ScoreAll = []
for i in range(10,200,10):
    DT = RandomForestClassifier(n_estimators = i,random_state = 66) #,criterion = 'entropy'
    score = cross_val_score(DT,data.data,data.target,cv=10).mean()
    ScoreAll.append([i,score])
ScoreAll = np.array(ScoreAll)

max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##这句话看似很长的，其实就是找出最高得分对应的索引
print("最优参数以及最高得分:",ScoreAll[max_score])  
plt.figure(figsize=[20,5])
plt.plot(ScoreAll[:,0],ScoreAll[:,1])
plt.show()

输出：

最优参数以及最高得分: [120. 0.95560035]

根据曲线，我们进一步缩小范围，搜索100~130之间的得分。（这里可以根据经验自己指定）

###进一步缩小范围，调n_estimators参数
ScoreAll = []
for i in range(100,130):
    DT = RandomForestClassifier(n_estimators = i,random_state = 66)   #criterion = 'entropy',
    score = cross_val_score(DT,data.data,data.target,cv=10).mean()
    ScoreAll.append([i,score])
ScoreAll = np.array(ScoreAll)

max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##这句话看似很长的，其实就是找出最高得分对应的索引
print("最优参数以及最高得分:",ScoreAll[max_score])  
plt.figure(figsize=[20,5])
plt.plot(ScoreAll[:,0],ScoreAll[:,1])
plt.show()

输出：

最优参数以及最高得分: [117. 0.95727946]

可以看到，117为得分最高点，我们暂定n_estimators为117，接着调下边的参数。

3）探索max_depth（树的最大深度）最佳参数

###粗调max_depth参数
ScoreAll = []
for i in range(10,30,3):
    DT = RandomForestClassifier(n_estimators = 117,random_state = 66,max_depth =i ) #,criterion = 'entropy'
    score = cross_val_score(DT,data.data,data.target,cv=10).mean()
    ScoreAll.append([i,score])
ScoreAll = np.array(ScoreAll)

max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##这句话看似很长的，其实就是找出最高得分对应的索引
print("最优参数以及最高得分:",ScoreAll[max_score])  
plt.figure(figsize=[20,5])
plt.plot(ScoreAll[:,0],ScoreAll[:,1])
plt.show()

输出：

最优参数以及最高得分: [16. 0.95727946]

转折点在16，但是16之后一直没有变化，可以说明就算不限制，所有树的最大深度也就是16左右，因为我们以步长为3搜索的，所以还需要进一步搜索一下16附近的值。

精细搜索之后发现，16这个值就是转折点，所以暂定max_depth = 16。

4）探索min_samples_split（分割内部节点所需的最小样本数）最佳参数
min_samples_split最小值就是2，我们就从2开始调起。

###调min_samples_split参数
ScoreAll = []
for i in range(2,10):
    RF = RandomForestClassifier(n_estimators = 117,random_state = 66,max_depth =16,min_samples_split = i ) #,criterion = 'entropy'
    score = cross_val_score(RF,data.data,data.target,cv=10).mean()
    ScoreAll.append([i,score])
ScoreAll = np.array(ScoreAll)

max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##这句话看似很长的，其实就是找出最高得分对应的索引
print("最优参数以及最高得分:",ScoreAll[max_score])  
plt.figure(figsize=[20,5])
plt.plot(ScoreAll[:,0],ScoreAll[:,1])
plt.show()

输出：

最优参数以及最高得分: [2. 0.95727946]

可以看到，随着min_samples_split增大，模型得分下降，说明没有出现过拟合现象，min_samples_split暂定2。

5）探索min_samples_leaf（分割内部节点所需的最小样本数）最佳参数

###调min_samples_leaf参数
ScoreAll = []
for i in range(1,15,2):
    DT = RandomForestClassifier(n_estimators = 117,random_state = 66,max_depth =16,min_samples_leaf = i,min_samples_split = 2 ) 
    score = cross_val_score(DT,data.data,data.target,cv=10).mean()
    ScoreAll.append([i,score])
ScoreAll = np.array(ScoreAll)

max_score = np.where(ScoreAll==np.max(ScoreAll[:,1]))[0][0] ##这句话看似很长的，其实就是找出最高得分对应的索引
print("最优参数以及最高得分:",ScoreAll[max_score])  
plt.figure(figsize=[20,5])
plt.plot(ScoreAll[:,0],ScoreAll[:,1])
plt.show()

输出：

最优参数以及最高得分: [1. 0.95727946]

5）对每棵树用到的最大特征数max_features调参:

正常来说，只要这个值不要设置得太小，所有特征都会被整个森林抽取到用来训练，所以相对来说这个值对整个模型的影响不是太大。但这个值越大，单棵树需要考虑的特征越多，虽然模型的表现可能会更好，但是增加这个值会导致算法运行速度变慢，所以需要我们考虑去找一个平衡值。

#调max_features参数
param_grid = {
    'max_features':np.arange(0.1, 1)}

rfc = RandomForestClassifier(random_state=66,n_estimators = 117,max_depth = 16,min_samples_leaf =1 ,min_samples_split =4 )
GS = GridSearchCV(rfc,param_grid,cv=10)
GS.fit(data.data,data.target)
print(GS.best_params_)
print(GS.best_score_)

输出：

{‘max_features’: 0.1}
0.9560335195530726

如果时间充裕，接下来也可以将min_samples_leaf和min_samples_split作为网格参数联调一下，因为这两个参数会相互影响，这里暂时省略这一步。

此时，我们得到的参数如下：

参数	值
n_estimators	117
max_depth	16
min_samples_leaf	1
min_samples_split	2
max_features	0.1

6）在得到的最优参数附近进行小范围网格搜索

因为手动调参时，这些参数可能会相互影响，导致我们得到的参数还不是最优的。所以在最优参数附近进行小范围的网格搜索，排出相互影响的因素，尤其是在数据集量比较少时，小范围搜索一下可能会有意外收获。

import time
start = time.time()

param_grid = {
  'n_estimators':np.arange(140, 150),
  'max_depth':np.arange(15, 18),
  'min_samples_leaf':np.arange(1, 8),
  'min_samples_split':np.arange(2, 5),
   'max_features':np.arange(0.1, 1)
}

rfc = RandomForestClassifier(random_state=66)
GS = GridSearchCV(rfc,param_grid,cv=10)
GS.fit(data.data,data.target)
end = time.time()
print("循环运行时间:%.2f秒"%(end-start))
print(GS.best_params_)
print(GS.best_score_)