% matplotlibinlineaxdxmtortnumpyasnpaxdxmtortpandasaspdfromsklearn.treeaxdxmtortdecisiontreeclassifierfromsklearn.ensemble asetsaxdxmtortload _ winefromsklearn.model _ selectionaxdxmtorttrain _ test _ splitfromsk OSS _ val _ score wine=load y test=train _ test _ split (wine.data， 要与wine.data进行比较test_size=0.3 ) clf=decisiontreeclassifier (random _ state=0) rcf=randomforestclassifier ) random ytrain ) rcf_score=rcf.score(xtest，ytest )打印(' singletree : { }.format ) ) ) singletree3360
循环10次，每次交叉检查10次，共计100次clf_CVS=[]rcf_CVS=[] forIinrange(10 ) : clf=decisiontreeclassifier ) (rcf=randomforestclassifier ) ) randomforestclassifier wine.data，data cv=10 ).mean (RCF _ cv=cross _ val _ score (RCF，wine.data，wine.target，cv=10 ).mean ) 11 )，rcf_cvs，color='black '，label='forest ' ) plt.legend ) (plt.show ) ) ) )。
#随机森林优于决策树，且各个决策树的涨落和随机森林的涨落桂金基本相同#随机森林n_estimators学习曲线rcf_CVS=[] forIinrange(200 ) : RCF=randomforestclassifier (n _ estimators RCF _ CVS=cross _ val _ score (RCF，wine.data ) )
axdxmtortnumpyasnpaxdxmtortpandasaspdaxdxmtortmatplotlib.pyplotaspltfromsklearn.datasetsaxdxmtortload _ bostonfromsklearn sembleaxdxmtortrandomforestregressorfromsklearn.model _ selectionaxdxmtortcross _ val _ selection dataset.data.shape #。 y_full=dataset.data，dataset.targetn _ samples=x _ full.shape [0] n _ features=x _ full.shape [1] # 这里假设为50%。 这是总共3289个数据丢失RNG=NP.random.randomstate(0) missing _ rate=0.5n _ missing _ samples=int ) #np.floor ) n _ n 所有数据都随机分布在数据集中每行的各列中，但缺少的数据需要行索引和列索引。 如果可以创建包含介于0到506之间的3289个行索引和介于0到13之间的3289个列索引的数组，则#使用索引可以是数据的任意3289个
位置赋空值#然后我们用0，均值和随机森林来填写这些缺失值，然后查看回归的结果如何missing_features = rng.randint(0,n_features,n_missing_samples)missing_samples = rng.randint(0,n_samples,n_missing_samples)#missing_samples = rng.choice(dataset.data.shape[0],n_missing_samples,replace=False)#我们现在采样了3289个数据，远远超过我们的样本量506，所以我们使用随机抽取的函数randint。但如果我们需要#的数据量小于我们的样本量506，那我们可以采用np.random.choice来抽样，choice会随机抽取不重复的随机数，#因此可以帮助我们让数据更加分散，确保数据不会集中在一些行中X_missing = X_full.copy()y_missing = y_full.copy()X_missing[missing_samples,missing_features] = np.nanX_missing = pd.DataFrame(X_missing)#转换成DataFrame是为了后续方便各种操作，numpy对矩阵的运算速度快到拯救人生，但是在索引等功能上却不如#pandas来得好用#使用随机森林进行填充缺失值#1使用均值进行填补from sklearn.axdxmtute axdxmtort SaxdxmtleImputeraxdxmt_mean=SaxdxmtleImputer(missing_values=np.nan,strategy="mean")X_missing_mean=axdxmt_mean.fit_transform(X_missing)#返回训练好的特征举证，是array类型 axdxmt_mean=SaxdxmtleImputer(missing_values=np.nan,strategy="constant",fill_value=0)#用0进行填充X_missing_0=axdxmt_mean.fit_transform(X_missing)#返回训练好的特征举证，是array类型 #接下来使用随机森林填充'''使用随机森林回归填补缺失值任何回归都是从特征矩阵中学习，然后求解连续型标签y的过程，之所以能够实现这个过程，是因为回归算法认为，特征矩阵和标签之前存在着某种联系。实际上，标签和特征是可以相互转换的，比如说，在一个“用地区，环境，附近学校数量”预测“房价”的问题中，我们既可以用“地区”，“环境”，“附近学校数量”的数据来预测“房价”，也可以反过来，用“环境”，“附近学校数量”和“房价”来预测“地区”。而回归填补缺失值，正是利用了这种思想。对于一个有n个特征的数据来说，其中特征T有缺失值，我们就把特征T当作标签，其他的n-1个特征和原本的标签组成新的特征矩阵。那对于T来说，它没有缺失的部分，就是我们的Y_test，这部分数据既有标签也有特征，而它缺失的部分，只有特征没有标签，就是我们需要预测的部分。特征T不缺失的值对应的其他n-1个特征 + 本来的标签：X_train特征T不缺失的值：Y_train特征T缺失的值对应的其他n-1个特征 + 本来的标签：X_test特征T缺失的值：未知，我们需要预测的Y_test这种做法，对于某一个特征大量缺失，其他特征却很完整的情况，非常适用。那如果数据中除了特征T之外，其他特征也有缺失值怎么办？答案是遍历所有的特征，从缺失最少的开始进行填补（因为填补缺失最少的特征所需要的准确信息最少）。填补一个特征时，先将其他特征的缺失值用0代替，每完成一次回归预测，就将预测值放到原本的特征矩阵中，再继续填补下一个特征。每一次填补完毕，有缺失值的特征会减少一个，所以每次循环后，需要用0来填补的特征就越来越少。当进行到最后一个特征时（这个特征应该是所有特征中缺失值最多的），已经没有任何的其他特征需要用0来进行填补了，而我们已经使用回归为其他特征填补了大量有效信息，可以用来填补缺失最多的特征。遍历所有的特征后，数据就完整，不再有缺失值了''' X_missing_reg = X_missing.copy()sortindex = np.argsort(X_missing_reg.isnull().sum(axis=0)).valuesfor i in sortindex: #构建我们的新特征矩阵和新标签 df = X_missing_reg fillc = df.iloc[:,i] df = pd.concat([df.iloc[:,df.columns != i],pd.DataFrame(y_full)],axis=1)#在新特征矩阵中，对含有缺失值的列，进行0的填补 df_0 =SaxdxmtleImputer(missing_values=np.nan, strategy='constant',fill_value=0).fit_transform(df)#找出我们的训练集和测试集 Ytrain = fillc[fillc.notnull()] Ytest = fillc[fillc.isnull()] Xtrain = df_0[Ytrain.index,:] Xtest = df_0[Ytest.index,:]#用随机森林回归来填补缺失值 rfc = RandomForestRegressor(n_estimators=100) rfc = rfc.fit(Xtrain, Ytrain) Ypredict = rfc.predict(Xtest)#将填补好的特征返回到我们的原始的特征矩阵中 X_missing_reg.loc[X_missing_reg.iloc[:,i].isnull(),i] = Ypredict #对所有数据进行建模，取得MSE结果X = [X_full,X_missing_mean,X_missing_0,X_missing_reg]mse = []std = []for x in X: estimator = RandomForestRegressor(random_state=0, n_estimators=100) scores = cross_val_score(estimator,x,y_full,scoring='neg_mean_squared_error',cv=5).mean() mse.append(scores * -1) x_labels = ['Full data','Zero Imputation','Mean Imputation','Regressor Imputation']colors = ['r', 'g', 'b', 'orange']plt.figure(figsize=(12, 6))ax = plt.subplot(111)for i in np.arange(len(mse)): ax.barh(i, mse[i],color=colors[i], alpha=0.6, align='center')ax.set_title('Imputation Techniques with Boston Data')ax.set_xlim(left=np.min(mse) * 0.9,right=np.max(mse) * 1.1)ax.set_yticks(np.arange(len(mse)))ax.set_xlabel('MSE')ax.set_yticklabels(x_labels)plt.show()
发现，回归填充效果最好