强制随机森林分类器使用所有输入特征？答案

【问题标题】：Force the random forest classifier to use all the input features?强制随机森林分类器使用所有输入特征？
【发布时间】：2020-07-06 10:38:35
【问题描述】：

为了执行二元预测，我有 5 个特性要用于我的随机森林分类器，其中两个根本没有被使用。我知道机器学习的重点是仅选择有用的特征，但其他三个特征可能有偏差的数据，我想确保我的所有特征都以同等权重使用来运行我的分类器。我找不到这个问题的直接答案。我在python 中使用sklearn 来完成这项工作。任何 cmets/建议将不胜感激。

【问题讨论】：

您可以尝试仅使用未使用的 3/5 特征运行分析，并将它们的预测能力与所有 5 的运行进行比较 - 如果在那里获得非常低的准确度，它们可能只是没有用的预测变量。
感谢@katardin，但由于偏见，这是我想要避免的。我知道这两个是鉴别器的事实，只是其他 3 个特征的训练样本很可能存在偏差。这就是为什么，我正在寻找一种强制包含所有内容的方法。
如果你认为你有一个古怪的训练样本，你可以调用一个新的随机训练样本。据我所知，您已经在分析中包含了所有内容，它只是给您不喜欢的结果。在有限的深度内，随机树分类器不必最终使用所有特征。

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

【解决方案1】：

您可以通过设置max_features = None 来请求在随机森林分类器的每个拆分中考虑的所有特征。

来自docs：

max_features ：int、float、string 或 None，可选（默认 =“auto”）

在寻找最佳分割时要考虑的特征数量：

如果是 int，则在每次拆分时考虑 max_features 特征。

如果是浮点数，则 max_features 是一个分数，并且在每次拆分时都会考虑 int(max_features * n_features) 特征。

如果是“自动”，那么max_features=sqrt(n_features)。

如果“sqrt”，则为max_features=sqrt(n_features)（与“auto”相同）。

如果是“log2”，那么max_features=log2(n_features)。

如果没有，那么max_features=n_features。

Why is Random Forest with a single tree much better than a Decision Tree classifier? 中的答案可能有助于解释和提供一些上下文。

【讨论】：

感谢@desertnaut。我之前看过它并尝试根据它的定义使用它，但最后，当我检查它们在分类器中的重要性时，我的两个特征得到“0”。我对此感到非常困惑。
@Phyast10 该帖子准确地回答了您在问题中提出的要求。如果您已经尝试过，那么您应该在问题中包含此信息（我们要求提供代码而不是口头描述是有原因的）。鉴于这些额外信息，您的假设是错误：重要性为零并不意味着算法没有考虑这些特征；这意味着它有，但它发现它们没有信息。在这种情况下，坚持模型必须使用具有相同权重的所有特征是武断的、没有根据的，而且根本不是 ML 的工作原理。
@Phyast10 实际上，默认设置为max_features 的标准 RF 算法非常适合这种情况，确保至少对于某些拆分，一些信息量更大的特征将是从选择中排除，留给其他人考虑的空间。

【解决方案2】：

它可以帮助你的是设置参数max_feature = 1，所以每个节点都会采用一个（均匀分布的）随机特征，它会被强制使用它。不过，您也需要设置树的深度，因为它会无限添加节点，直到接收到主要特征之一。

【讨论】：

感谢您的反馈。我意识到与这些功能相关的值非常小，它们都被视为“0”。这就是为什么没有包括这两个功能的原因。现在我已经对它们进行了相应的缩放，虽然随机森林不应该有这个问题。