极端随机树

Extra Trees（Extremely Randomized Trees）算法是一种集成学习方法，通过构建多棵极度随机化的决策树来提高模型的泛化能力和稳定性。主要步骤如下：

  • 第一：样本选择，从训练数据中随机选择样本；

  • 第二：特征选择，在每个节点，随机选择一部分特征；

  • 第三：分裂点选择，对每个选定的特征，随机选择一个分裂点；

  • 第四：节点分裂，使用随机选择的特征和分裂点来分裂节点，创建子节点；

  • 第五：树构建，重复上述步骤，直到达到预定的停止条件（如最大树深或最小节点样本数）；

  • 第六：集成结果，对所有树的预测结果进行集成（分类问题使用投票，回归问题取平均值）。

  • 这种随机性使得Extra Trees算法在处理高维数据和防止过拟合方面具有优势。

极端随机树模型案例

  • 1、背景

    当前有一项关于‘信用卡交易欺诈’的数据科学研究，已整理好数据共为1000条，其包括六项，分别是换设备次数，支付失败次数，换IP次数，换IP国家次数，交易金额和欺诈标签，欺诈标签时，数字1表示欺诈，数字0表示没有欺诈行为，现希望通过极端随机树进行模型构建，并且做一些预测工作，部分数据如下图所示：

  • 2、理论

    在进行极端随机树模型时，其涉及参数如下表所述：

    参数 说明 参数值设置
    节点分裂标准 用于在构建决策树时产生分枝的依赖标准。 分类任务时：
    gini: 衡量节点的不纯度，gini值越小，节点越纯，默认分裂标准项。
    entrop: 基于信息增益，Entropy 越小，节点越纯。
    回归任务时：
    squared_error: 均方误差(MSE)，即目标值与预测值之间的平方误差的均值。
    absolute_error: 绝对误差(MAE)，即目标值与预测值之间的绝对误差的均值。
    poisson: 泊松误差，基于泊松分布的误差标准，适用于计数数据的回归问题。
    最大特征数目限制 极端随机树在构建每棵决策树时，能使用的最大特征数目。 auto:系统自动判断（默认值）;
    sqrt：特征总数的开平方;
    log2：特征总数取2为底的对数。
    节点分裂最小样本数 限定一个节点必须包含至少多少个训练样本，否则就不允许分枝。 默认是2。
    叶节点最小样本数 限定一个叶子节点中包含的最小样本数目。 默认是1。
    树最大深度 限制决策树的最大深度，用于控制树的规模。 默认为-1表示不限制。
    决策树数量 极端随机树采用多棵决策树进行投票来判断所属类别，适当增加决策树的数量可提高准确定和稳定性。 默认是100。
    是否有放回采样 抽样选取用于构造每棵决策树的样本时，是否有放回。 默认为有放回采样。
    袋外数据测试 对于有放回采样，总会有一部分数据抽不到，称为袋外数据。可以测试模型在这部分数据上的准确性。 默认为僀数据测试。
    任务类型 包括自动判断，分类和回归任务。 系统会结合Y的不同数字个数自动判断分类或回归任务，当然可自行选择分类或回归任务。

    除此之外，与其它的机器学习算法类似，SPSSAU提供训练集比例参数（默认是训练集占0.8，测试集占0.2），数据归一化参数（默认不进行），以及保存预测值（极端随机树时会生成预测类别，但不会生成预测概率），保存训练测试标识（生成一个标题来标识训练集和测试集数据的标识）。

  • 3、操作

    本例子操作截图如下：

    将欺诈标签放入Y框中，其余5个特征项作为自变量X。与此同时，训练集比例默认为0.8，暂不进行数据归一化，当然当前数据也可考虑做标准化处理，因为涉及数据的量纲不同。更多参数设置暂保持为默认值。

  • 4、SPSSAU输出结果

    SPSSAU共输出5项结果，依次为基本信息汇总，特征权重值，训练集或测试集模型评估结果，测试集结果混淆矩阵，模型汇总表和模型代码，如下说明：

    项 说明
    基本信息汇总 因变量Y(标签项)的数据分布情况等。
    特征权重值 展示各个X（特征）对于模型的贡献力度。
    训练集或测试集模型评估结果 分析训练集和测试集数据的模型效果评估，非常重要。
    测试集结果混淆矩阵 测试集数据的进一步效果评估，非常重要。分类任务时提供，如果是回归任务则没有该矩阵。
    模型汇总表 模型参数及评估汇总表格。
    模型代码 模型构建的核心python代码。

    上述表格中，基本信息汇总展示出因变量Y（标签项）的分类分布情况，模型评估结果（包括训练集或测试集）用于模型的拟合效果判断，尤其是测试集的拟合效果，以及提供测试集数据的混淆矩阵结果（如果是分类任务则提供，如果是回归任务则无该表格）；模型汇总表格将各类参数值进行汇总，并且在最后附录模型构建的核心代码。

  • 5、文字分析

    首先针对特征的权重即重要性情况进行说明，如下图：

    上图可以看到：换设备次数，或者换IP国次数这两项对于预测是否欺诈有着较高的帮助，而且支付失败次数也起着重要的作用。但是换IP次数或者交易金额这两项并不能很好地证明是否存在着欺诈行为。接下来针对最重要的模型拟合情况进行说明，如下表格：

    上表格中分别针对训练集和测试集，提供四个评估指标，分别是精确率、召回率、f1-scrore、准确率，以及平均指标和样本量指标等，整体来看，训练集时各指标均为1意味着完美，但是测试集时各指标值均在0.9左右，意味着可能存在过拟合问题，但整体上模型拟合良好。

    接着进一步查看测试数据的‘混淆矩阵’，即模型预测和事实情况的交叉集合，如下图：

    ‘混淆矩阵’时，右下三角对角线的值越大越好，其表示预测值和真实值完全一致。上图中显示测试集时，真实值为1（即欺诈）但预测为0（即不欺诈）的数量为20，与此同时，真实值为0（即不欺诈）但预测为1（即欺诈）的数量为2，其余均预测正确，仅测试集共有200条，但预测出错为22条，出错率为11%。最后SPSSAU输出模型参数信息值，如下表格：

    模型汇总表展示模型各项参数设置情况，最后SPSSAU输出使用python中slearn包构建本次极端随机树模型的核心代码如下：

    model = ExtraTreesClassifier(criterion='gini', max_depth=None, min_samples_leaf=1, min_samples_split=2, n_estimators=100, bootstrap=True, oob_score=True, max_features='auto')

    model.fit(x_train, y_train)

  • 6、剖析

    涉及以下几个关键点，分别如下：

    • 保存预测值

    • 保存预测值时，SPSSAU会新生成一个标题用于存储模型预测的类别信息，其数字的意义与模型中标签项(因变量Y)的数字保持一致意义。但极端随机树不会生成类别的预测概率。

    • SPSSAU进行极端随机树模型构建时，自变量X（特征项）中包括定类数据如何处理？

    • logistic回归模型时通常不会关注于数据类型本身，如果一定要处理，建议可对定类数据进行哑变量转化后放入，关于哑变量可点击查看。

    • SPSSAU中极端随机树模型合格的判断标准是什么？

    • 机器学习模型中，通常均为先使用训练数据训练模型，然后使用测试数据测试模型效果。通常判断标准为训练模型具有良好的拟合效果，同时测试模型也有良好的拟合效果。机器学习模型中很容易出现‘过拟合’现象即假的好结果，因而一定需要重点关注测试数据的拟合效果。针对单一模型，可通过变换参数调优，与此同时，可使用多种机器学习模型，比如使用决策树、随机森林、支持向量机、神经网络等，综合对比选择最优模型。

    • SPSSAU机器学习如何进行预测？

    • SPSSAU中默认带有数据预测功能，当特征项X有完整数据，但标签项（因变量Y）没有数据时，此时‘保存预测值’，SPSSAU会默认对此种情况进行预测。如下图中的编号9到12共4行数据，其只有X没有Y，那么保存预测值时，默认对该4行数据进行预测。机器学习的各方法均遵从此规则。

    • 如何将多个模型绘制ROC曲线对比优劣？

    • 如果涉及多个模型预测能力绘制ROC曲线，用于多个模型预测能力对比。建议按以下步骤进行：

    • 第1步是得到各个模型（比如神经网络模型、随机森林模型、logistic回归、极端随机树等）的预测值标题，该预测值可通过SPSSAU中‘保存预测值’参数选中后得到；

    • 第2步是将得到的预测类别作为ROC曲线时的‘检验变量X’。此时绘制出来的ROC曲线则会有多条，分别表示各模型的预测值。与此同时，ROC曲线时的‘状态变量Y’为实际真实情况上的Y数据，并且该数据正常情况下为二分类（即仅包括2个数字即两个类别）。

    • 【提示：比如决策树/随机森林/Xgboost/GBDT/Adaboost/极端随机树/CatBoost/LightGBM等均没有预测概率只有预测类别，此时则纳入预测类别。但比如神经网络/logistic回归可纳入预测概率或者预测类别均可】

    • 机器学习算法时保存数据集标识的意思是什么？

    • 选择‘保存数据集标识’后，SPSSAU会新生成一个标题，用于标识模型构建时训练集或测试集，使用数字1表示训练集，数字2表示测试集。如果后续分析时（比如绘制ROC曲线）只针对训练集，那么使用筛选样本功能，筛选出训练集后分析即可。

    • 机器学习算法中保存预测信息具体是什么意思？

    • 如果选中保存预测信息，并且为分类任务时，SPSSAU会新生成预测类别，预测类别是指最终预测出来Y的类别，预测类别标题名称类似为‘ExtraTrees_Prediction_****’，以及极端随机树不会得到每个类别的预测概率。

    • 为什么没有输出AUC指标及ROC曲线？

    • 如果是分类任务并且为二分类（Y为分类数据且为二分类，且参数上默认或者选择为分类任务），此时SPSSAU默认会输出ROC曲线及AUC指标等。如果是多分类（Y为分类数据且大于两类，且为分类任务），此时AUC指标的意义较小暂未输出，如果有需要，可按下述步骤进行。

    • 第1步：构建模型时先‘保存预测信息’，得到多个标题，每个标题对应1个类别时的预测概率；

    • 第2步：将某个类别（即1个标题）的预测概率作为X，Y为模型构建时的Y，并且ROC曲线时分割点设置为放入的类别项对应的数字；

    • 第3步：多个类别则重复进行多次，即得到每个Y类别标签的ROC曲线和AUC值等。

    • 【提示：决策树/随机森林/Xgboost/GBDT/Adaboost/极端随机树/CatBoost/LightGBM等进行分类任务时只会得到预测类别，并不会得到预测概率，因而均不输出AUC或ROC曲线，当然研究者也可利用预测类别进行绘制ROC曲线，研究者自行处理即可】