文檔金喜正規買球>>大數據干貨（二）>>IBM SPSS Modeler隨機森林算法介紹

IBM SPSS Modeler隨機森林算法介紹

在之前的文章《Bagging 或Boosting讓你的模型更加優化》中，我們介紹了可以通過Bagging或Boosting技術，使得模型更加穩定和準確率更高，那么今天要介紹的隨機森林算法，本身的算法邏輯已經使用了Bagging技術，來構建多棵樹，最終實現構建“森林”的目的。

首先我們先來了解下這個算法，記住幾個要點就可以：

1.在中，隨機森林構建的每棵樹，使用的算法是C&RT，關于C&RT算法的介紹可以參考之前的文章《》；

2.使用Bagging,每構建一棵樹，都是通過隨機選擇樣本數據來構建（有放回的）；

3.除了使用Bagging技術，對使用的輸入指標，也隨機選擇。比如說一共有20個輸入指標，每選完一次樣本數據后，會再隨機選擇其中的10個指標來構建樹。

4.最終的預測結果，會綜合前面構建的決策樹通過投票的方式得到最終的預測結果，如果是數值型的預測，則是取平均值做為最終的預測結果。

5.在中，隨機森林算法不僅支持傳統的關系型數據庫，比如DB2、Oracle、SQL Server等通過ODBC可連接的數據庫，也支持Haoop分布式架構的數據，它可以生成MapReduce或者Spark，放到Hadoop平臺上去執行，從而提升整個計算效率。

那么接下來，我們來看下在IBM SPSS Modeler的隨機森林算法實現客戶的流失預測，能給我們呈現出什么樣的結果。

首先，我們創建數據流文件，如下圖：

Step1:連接數據源Excel文件，文件內容如下：

Step2:類型節點設置影響因素及目標，如下圖：

Step3:選擇隨機森林算法，并使用默認參數設置生成模型。

該面板主要涉及到模型構建和樹增長兩方面的參數，包括以下內容：

構建的模型數量：即構建多少棵樹；
樣本大小：是每次隨機選擇的樣本占原來的百分比，如果是1的話，代表每次選擇的樣本數據與原來的數據量一樣，如果是0.9，則選擇原來的數據量的90%作為的樣本數據，在處理大數據集時，減少樣本大小可以提高性能。
是否需要處理不平衡數據：如果模型的目標是標志結果（例如，流失或不流失）比率很小，那么數據是不平衡數據并且模型所執行的 Bootstrap 采樣可能會影響模型精確性。要提高準確性，請選中此復選框；模型隨后會捕獲所需結果中的更大比例部分并生成更好的模型。
使用加權采樣選擇變量：缺省情況下，每個葉節點的變量是使用同一概率隨機選擇的。要將加權用于變量并改進選擇過程，請選中此復選框。
最大節點數：指定允許各個樹中存在的最大葉節點數。如果下一次分割時將超過此數字，那么樹增長將在進行拆分之前停止。
最大樹深度：指定根節點下方的最大葉節點級別數；即，樣本進行遞歸拆分的次數。
最小子節點大小：指定拆分父節點之后必須包含在子節點中的最小記錄數。如果子節點包含的記錄數少于您輸入的數目，那么不會拆分父節點。
指定要用于拆分的最小預測變量數：如果是構建拆分模型，請設置要用于構建每個拆分的最小預測變量數。這防止拆分創建過小的子組。
當準確性無法再提高時停止構建：要改進模型構建時間，請選擇此選項，以在結果的準確性無法提高時停止模型構建過程。

在高級面板中，考慮到對樣本數據選擇的質量要求，該算法也涵蓋了數據準備的內容。