こんにちは！デジタルマーケターのウマたん(@statistics1012)です！
今回は、汎化能力の非常に高い最強手法ランダムフォレストについてみていきましょう！
今でこそディープラーニングやXGboostなどの台頭により日の目を見なくなりましたが、依然としてパッケージで簡単に実装でき相当良い精度をたたき出す最強手法であることには変わりありません。
そんなランダムフォレストとは一体どんな手法なのでしょうか？
目次
ランダムフォレストとは
ざっくり言うと、
決定木をたくさん集めて合体させた手法
です。
決定木に関しては「決定木」を見てください。詳しくまとめています。
決定木は単体だとそれほど強い手法ではありません。
しかし、その決定木をバギングと呼ばれる集団学習法を用いてたくさん集めてくると最強のランダムフォレストが出来上がるんです。
集団学習法は，決して精度が高いとはいえない弱いモデルをたくさん構築し，これらの予測結果を統合することで高い精度を出す方法論です。
ランダムフォレストのイメージはこんな感じ。
なんでもかんでもバギングすれば良くなるわけじゃないことは注意しておきましょう！
それでは、次に具体的なアルゴリズムを見ていきます
ランダムフォレストのアルゴリズム
有名なはじめてのパターン認識から引用します！
- データセットからN個のブートストラップサンプルを作成する。
- ブートストラップサンプルの中から分岐に用いる変数をM個ランダムサンプリングし、決定木を作成する。
- 1~2を繰り返す。
- 量産された決定木に対して、予測したいデータを入力する。
- 全ての結果を統合(回帰の問題では平均、分類の問題では多数決)して、1つの予測結果として出力する。
ランダムサンプリングする変数の数Mはユーザが自由に設定することができますが、一般的には変数の数の正の平方根を取ることが多いです。
ランダムフォレストはどんな時に使える？
ランダムフォレストのアルゴリズム自体はそれほど複雑ではありませんが、決定木を弱学習器として用いており結果を解釈するのにはそれほど向いていません。
精度と解釈容易性は比較的トレードオフの関係にあるため、解釈容易性を求めるなら決定木を用いたほうが良いです。
精度を徹底的に求めるならランダムフォレストなどの機械学習手法を使いましょう！無論、XGboostが強いことは言うまでもありませんが笑
ちなみにランダムフォレストでも、変数重要度を算出することができ、どの変数が寄与しているのかを可視化することは可能です。
ランダムフォレストをRで実装してみよう！
それでは具体的にランダムフォレストを使って解析を行ってみましょう！ここで行う解析は2つ。
有名な花びらのirisデータを用いた簡単な解析とデータ解析コンペKaggleでも代表的なデータとして取り上げられているタイタニックのデータを使ったシミュレーションを何回か行う解析を行っていきます。
irisデータをランダムフォレストで分類
irisデータとはあやめの種類を分類したデータで目的変数は3カテゴリーの質的変数、説明変数は花びらの幅とか4つです。
サンプルは150個で、分類しやすいデータなのでどんな手法でも割と簡単に分類できるんですが、どうなるでしょう！
今回はランダムフォレスト以外に決定木とSVMとニューラルネットワークで比較しました。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 |
ランダムフォレスト pred.forest setosa versicolor virginica ## setosa 29 0 0 ## versicolor 0 25 1 ## virginica 0 2 18 </code><code class="hljs">決定木 pred.cart setosa versicolor virginica ## setosa 29 0 0 ## versicolor 0 26 3 ## virginica 0 1 16 </code><code class="hljs">SVM pred.svm setosa versicolor virginica ## setosa 29 0 0 ## versicolor 0 25 1 ## virginica 0 2 18 </code><code class="hljs">ニューラルネット pred.nn setosa versicolor virginica ## setosa 29 0 0 ## versicolor 0 25 2 ## virginica 0 2 17 |
結果はこんな感じになりました！
予想通りどれもいい感じに分類できてますね～！まあirisデータは分類しやすいので！
タイタニックでの生死予測をランダムフォレストと他の手法で比較
続いて！
タイタニックのデータを用いて解析を行っていきます。Kaggleの公式サイトからデータをダウンロードできます。
まず、データのクレンジングを行い、欠損値は削除、不要と考えられる項目は削除しました。
項目8つ
Survived：生死 pclass：客室のクラス sex：性別 age：年齢 sibsp：兄弟・配偶者の数 parch：親・子供の数 fare：乗船料金 embarked：乗船した港
サンプル数714
この時、生死を目的変数としそれ以外を説明変数とします。
サンプル数714のうちランダムに400個のデータを取り出し学習データとし、残りの314を予測データとします。
学習データで予測モデルを作り、予測データにあてはめ真値と予測値の判別率を精度として比較します。
シミュレーション回数は10回とし、上記の手順を10回繰り返し、結果を平均したものを最終アウトプットとします。シミュレーション回数をもっと増やせば精度の信頼性は上がります。
ランダムフォレストをサポートベクターマシン、ナイーブベイズ、ニューラルネットワーク、XGboost、k近傍法の5手法と比較します！
基本的に引数は全部デフォルトで！果たして結果はどうなるでしょうか！
randomForestというパッケージに入っているrandomForestという関数を用いて解析を行っていきます。
|
1 2 3 4 |
##randomForest## rf<-randomForest(Survived~.,train.data) test.data.rf<-cbind(test.data,"predict"=predict(rf,test.data)) result[i,1]<-sum(test.data.rf$predict==test.data.rf$Survived)/nrow(test.data.rf) |
データ加工は描画でいくつかコードを書いていますが、実際にランダムフォレストを行っているのはこの数行！
Survived~.はSurvivedを目的変数としてそれ以外を説明変数にするよーということです。
結果は以下のようになりました！
それぞれBayes（ナイーブベイズ）、knn（k近傍法）、NN（ニューラルネットワーク）、RF（ランダムフォレスト）、SVM（サポートベクターマシン）、xgb（XGboost）と表示しています。
やはりランダムフォレスト・SVM・XGboostあたりが強いですね！
他の手法についても是非見てみてください！
ランダムフォレスト まとめ
ランダムフォレストについて見てきました！簡単に実装できる割には精度が高いことが特徴です。
最後にランダムフォレストについてまとめておきましょう！
・ランダムフォレストは決定木とバギングを組み合わせた手法
・ランダムフォレストは簡単に高精度をたたき出すコスパの良い手法
ランダムフォレストに関してもっと詳しく知りたいかたは以下の書籍を参考にしてみてください！
ちなみにランダムフォレストをはじめとした機械学習手法に関して深く勉強したい方はこちらにオススメ本をまとめていますのでご覧ください！
