为什么具有单个树的随机森林比决策树分类器好得多？

Question

我使用以下代码将决策树分类器和随机森林分类器应用于我的数据：

def decision_tree(train_X, train_Y, test_X, test_Y):

    clf = tree.DecisionTreeClassifier()
    clf.fit(train_X, train_Y)

    return clf.score(test_X, test_Y)


def random_forest(train_X, train_Y, test_X, test_Y):
    clf = RandomForestClassifier(n_estimators=1)
    clf = clf.fit(X, Y)

    return clf.score(test_X, test_Y)

为什么随机森林分类器的结果要好得多（对于100次运行，随机采样2/3的数据用于训练，1/3用于测试）？

100%|███████████████████████████████████████| 100/100 [00:01<00:00, 73.59it/s]
Algorithm: Decision Tree
  Min     : 0.3883495145631068
  Max     : 0.6476190476190476
  Mean    : 0.4861783113770316
  Median  : 0.48868030937802126
  Stdev   : 0.047158171852401135
  Variance: 0.0022238931724605985
100%|███████████████████████████████████████| 100/100 [00:01<00:00, 85.38it/s]
Algorithm: Random Forest
  Min     : 0.6846846846846847
  Max     : 0.8653846153846154
  Mean    : 0.7894823428836184
  Median  : 0.7906101571063208
  Stdev   : 0.03231671150915106
  Variance: 0.0010443698427656967

带有一个估计器的随机森林估计器不仅仅是一个决策树？我是否做错了什么或误解了这个概念？

Answer 1

带有一个估计器的随机森林估计器不仅仅是一个决策树？

嗯，这是一个好问题，答案是否定的；随机森林算法不仅仅是一袋单独生长的决策树。

除了由于对许多树进行置乱而产生的随机性外，随机森林（RF）算法在以两种不同的方式构建单个树时也包含了随机性，而简单决策树（DT）算法中没有这两种方法。

首先是在每个树节点上寻找最佳分割时要考虑的特征数量：当DT考虑所有特征时，RF考虑它们的随机子集，其大小等于参数<代码> Max特征（参见DOCS）。

第二个是，当DT考虑整个训练集时，单个RF树只考虑它的引导子样本；再次从文档中：

子样本大小始终与原始输入样本大小相同，但如果bootstrap=True（默认），则使用替换来绘制样本。

RF算法本质上是两个独立思想的结合：打包和随机选择功能（请参阅Wikipedia条目以了解详细概述）。装袋本质上是我上面的第二点，但适用于合奏；随机选择功能是我上面的第一点，它似乎是由Tin Kam Ho在Breiman的RF之前独立提出的（同样，请参见维基百科条目）。Ho已经提出，仅随机特征选择就可以提高性能。这并不完全是您在这里所做的（您仍然使用bagging的bootstrap采样思想），但是您可以通过在RandomForestClassifier（）参数中设置bootstrap=False轻松复制Ho的思想。事实是，考虑到这项研究，性能上的差异并非出乎意料。。。

要准确复制RandomForestClassifier（）中单个树的行为，应同时使用bootstrap=False和max\u features=None参数，即。

clf = RandomForestClassifier(n_estimators=1, max_features=None, bootstrap=False)

在这种情况下，既不会进行自举采样，也不会进行随机特征选择，而且性能应该大致相当于单个决策树的性能。