【冰糖Python】深度森林 DeepForest

此文为记录DeepForest的简单使用

原文《Deep Forest: Towards an Alternative to Deep Neural Networks》

“A key advantage of deep forest is its adaptive model complexity depending on the dataset. The default setting on hyper-parameters enables it to perform reasonably well across all datasets. ”

深层森林的一个关键优势是其自适应模型的复杂性取决于数据集。超参数的默认设置使它能够在所有数据集上执行得相当好。

一、训练与预测

1、训练阶段从将训练样本的特征值离散化为n_bins唯一值开始，这是加速构建决策树的常用技术。然后，使用binned数据生成DF21中带有n_estimators估值器的第一个级联层（注意，默认情况下n_estuators将在内部乘以2）。此外，每个估计器由采用分裂准则的n_trees决策树组成，满足max_depth和min_samples_leaf施加的约束。

2、数据离散化并构建第一个级联层后，进入主训练循环：

1）使用新binner，将前一级联层的袋外预测结果离散化（由上图中的增强特征表示）

2）将增强特征连接到离散化后的训练样本，作为待构建级联层的新训练数据

3）使用串联的训练数据构建一个新层，遵循与构建第一个级联层相同的训练模式

4）获取层的袋外预测结果，并估计其泛化性能

5）如果估计性能优于所有以前构建的层，将继续构建新层。否则，会触发提前停止，如果n_tolerant_rounds回合的性能没有提高，将在达到max_layers之前终止训练阶段

3、作为可选步骤，如果use_predictor设置为True，将构建另一个预测器。该预测器接收来自最后一个级联层的串联训练数据的输入，并输出分类问题的预测类概率和回归问题的预测值。可以使用随机森林或GBDT等设置预测器。此外可以通过设置predictor_kwargs来更好地配置它。

4、评估阶段遵循训练的顺序结构。首先，使用第一个binner将测试样本离散化，并传递到第一层。然后，将增强特征设置为当前级联层的输出，并使用后续binner对其进行分类。在将增强特征连接到binned测试样本之后，移动到下一层，直到到达最后一个级联层或预测器。

二、主要模型

主要模型为CascadeForestClassifier

classdeepforest.CascadeForestClassifier(n_bins=255, bin_subsample=200000, bin_type='percentile', max_layers=20, criterion='gini', n_estimators=2, n_trees=100, max_depth=None, min_samples_split=2, min_samples_leaf=1, use_predictor=False, predictor='forest', predictor_kwargs={}, backend='custom', n_tolerant_rounds=2, delta=1e-05, partial_mode=False, n_jobs=None, random_state=None, verbose=1)

参数说明：

n_bins (int, default=255) – The number of bins used for non-missing values. In addition to the n_bins bins, one more bin is reserved for missing values. Its value must be no smaller than 2 and no greater than 255. 用于非缺失值的存储箱数。除了n_bins bins之外，还为缺少的值保留了一个bin。其值必须不小于2且不大于255

bin_subsample (int, default=200,000) – The number of samples used to construct feature discrete bins. If the size of training set is smaller than bin_subsample, then all training samples will be used.用于构造特征离散箱的样本数。如果训练集的大小小于bin_subsample，