คำถามดังกล่าวมักตอบได้ดีที่สุดโดยดูที่รหัสถ้าคุณพูดภาษา Python ได้ดี
RandomForestClassifier.predict
อย่างน้อยในรุ่นปัจจุบัน 0.16.1 predict_proba
คาดการณ์ระดับที่มีการประมาณการความน่าจะเป็นสูงสุดที่กำหนดโดย ( บรรทัดนี้ )
เอกสารสำหรับpredict_proba
พูดว่า:
ความน่าจะเป็นของคลาสที่ทำนายไว้ของตัวอย่างอินพุตถูกคำนวณเป็นค่าความน่าจะเป็นของคลาสที่คาดการณ์ของต้นไม้ในป่า ความน่าจะเป็นในชั้นเรียนของต้นไม้ต้นเดียวคือเศษส่วนของตัวอย่างของชั้นเดียวกันในใบไม้
ความแตกต่างจากวิธีเดิมอาจเป็นเพียงแค่เพื่อที่จะช่วยให้การคาดการณ์ที่สอดคล้องกับpredict
predict_proba
ผลลัพธ์บางครั้งเรียกว่า "การออกเสียงลงคะแนนอ่อน" แทนการลงคะแนนเสียงส่วนใหญ่ที่ "ยาก" ที่ใช้ในกระดาษ Breiman ดั้งเดิม ฉันไม่สามารถค้นหาอย่างรวดเร็วพบการเปรียบเทียบประสิทธิภาพที่เหมาะสมของทั้งสองวิธี แต่พวกเขาทั้งคู่ดูเหมือนจะสมเหตุสมผลในสถานการณ์นี้
predict
เอกสารที่ดีที่สุดที่ค่อนข้างทำให้เข้าใจผิด; ฉันส่งคำขอดึงเพื่อแก้ไข
หากคุณต้องการทำคะแนนการโหวตส่วนใหญ่แทนนี่คือฟังก์ชันที่จะทำ เรียกว่าชอบมากกว่าpredict_majvote(clf, X)
clf.predict(X)
(อ้างอิงจากpredict_proba
; ทดสอบเพียงเล็กน้อยเท่านั้น แต่ฉันคิดว่าควรใช้งานได้)
from scipy.stats import mode
from sklearn.ensemble.forest import _partition_estimators, _parallel_helper
from sklearn.tree._tree import DTYPE
from sklearn.externals.joblib import Parallel, delayed
from sklearn.utils import check_array
from sklearn.utils.validation import check_is_fitted
def predict_majvote(forest, X):
"""Predict class for X.
Uses majority voting, rather than the soft voting scheme
used by RandomForestClassifier.predict.
Parameters
----------
X : array-like or sparse matrix of shape = [n_samples, n_features]
The input samples. Internally, it will be converted to
``dtype=np.float32`` and if a sparse matrix is provided
to a sparse ``csr_matrix``.
Returns
-------
y : array of shape = [n_samples] or [n_samples, n_outputs]
The predicted classes.
"""
check_is_fitted(forest, 'n_outputs_')
# Check data
X = check_array(X, dtype=DTYPE, accept_sparse="csr")
# Assign chunk of trees to jobs
n_jobs, n_trees, starts = _partition_estimators(forest.n_estimators,
forest.n_jobs)
# Parallel loop
all_preds = Parallel(n_jobs=n_jobs, verbose=forest.verbose,
backend="threading")(
delayed(_parallel_helper)(e, 'predict', X, check_input=False)
for e in forest.estimators_)
# Reduce
modes, counts = mode(all_preds, axis=0)
if forest.n_outputs_ == 1:
return forest.classes_.take(modes[0], axis=0)
else:
n_samples = all_preds[0].shape[0]
preds = np.zeros((n_samples, forest.n_outputs_),
dtype=forest.classes_.dtype)
for k in range(forest.n_outputs_):
preds[:, k] = forest.classes_[k].take(modes[:, k], axis=0)
return preds
ในกรณีสังเคราะห์ใบ้ที่ฉันพยายามการคาดการณ์เห็นด้วยกับpredict
วิธีการทุกครั้ง