sklearn RandomForestRegressor 显示的树值中的差异答案

【问题标题】：sklearn RandomForestRegressor discrepancy in the displayed tree valuessklearn RandomForestRegressor 显示的树值中的差异
【发布时间】：2021-01-03 08:10:06
【问题描述】：

在使用 RandomForestRegressor 时，我发现了一些奇怪的东西。为了说明问题，这里举一个小例子。我在测试数据集上应用了 RandomForestRegressor 并绘制了森林中第一棵树的图形。这给了我以下输出：

Root_node: 
mse=8.64
samples=2
value=20.4

Left_leaf: 
mse=0
samples=1
value=24

Right_leaf: 
mse=0
samples=1
value=18

首先，我希望根节点的值为(24+18)/2=21。但不知何故它是20.4。但是，即使这个值是正确的，我如何获得 8.64 的 mse？在我看来应该是：1/2[(24-20.4)^2+(18-20.4)^2]=9.36（假设根值 20.4 是正确的）

我的解决方案是：1/2[(24-21)^2+(18-21)^2]=9。如果我只使用 DecisionTreeRegressor，这也是我得到的。

RandomForestRegressor 的实现有问题还是我完全错了？

这是我的可重现代码：

import pandas as pd
from sklearn import tree
from sklearn.ensemble import RandomForestRegressor
import graphviz

# create example dataset
data = {'AGE': [91, 42, 29, 94, 85], 'TAX': [384, 223, 280, 666, 384], 'Y': [19, 21, 24, 13, 18]}
df = pd.DataFrame(data=data)
x = df[['AGE','TAX']]
y = df[['Y']]

rf_reg = RandomForestRegressor(max_depth=2, random_state=1)
rf_reg.fit(x,y)

# plot a single tree of forest
dot_data = tree.export_graphviz(rf_reg.estimators_[0], out_file=None, feature_names=x.columns)
graph = graphviz.Source(dot_data)
graph

和输出图：

【问题讨论】：

标签： python machine-learning scikit-learn random-forest

【解决方案1】：

tl;dr

这是由于引导采样。

详细说明：

使用默认设置bootstrap=True，RF 将在构建单个树时使用引导采样；引用交叉验证线程Number of Samples per-Tree in a Random Forest：

如果bootstrap=True，那么对于每棵树，从训练集中随机抽取 N 个带放回的样本，并且树是在这个新版本的训练数据上构建的。这在训练过程中引入了随机性，因为每棵树都将在略有不同的训练集上进行训练。可以预期，从大小为 N 的数据集中抽取 N 个带有替换的样本将从原始集合中选择约 2/3 的唯一样本。

“With replacement”表示有些样本可能会被多次选择，而另一些则会被遗漏，剩下的被选择样本总数等于原始数据集的样本数（这里是 5 个）。

您显示的树中实际发生的情况是，尽管 Graphviz 显示 samples=2，但这应该被理解为唯一样本的数量；根节点中总共有 5 (bootstrap) 样本：样本的 2 个副本为 y=24，样本的 3 个副本为 y=18（回想一下，根据 bootstrap 采样的定义过程中，这里的根节点必须包含 5 个样本，不多也不少）。

现在显示的值加起来：

# value:
(2*24 + 3*18)/5
# 20.4

# mse:
(2*(24-20.4)**2 + 3*(18-20.4)**2)/5
# 8.64

显然似乎有一些设计选择，无论是在 Graphviz 可视化中还是在底层 DecisionTreeRegressor 中，以便只存储/显示 unique 样本的数量，这可能（或可能不是）是打开 Github 问题的原因，但这就是目前的情况（老实说，我不确定自己是否希望在此处显示实际的 total 样本数，包括由于自举抽样而产生的重复）。

【讨论】：