Kaggle(2)：验证和过分拟合

目前看来，随机森林是比较常用且有效的分类算法。以下先简要介绍python中随机森林的使用方法，然后谈谈分类结果的准确度验证和过拟合等两个重要问题。

1、随机森林的参数

在Scikit learn中使用RandomForestClassifier()进行随机森林分类，其中参数random_state为生成随机数的种子，n_estimators为随机森林的数目，min_samples_split为进一步分裂所要求的最小样本数量，min_samples_leaf为叶子节点的最小样本数量。

在处理的对象为小样本时，随机森林的数目n_estimators不宜过大；适当增加min_samples_split和min_samples_leaf都能够一定程度上避免模型的过拟合问题。

alg = sklearn.ensemble.RandomForestClassifier (random_state=1,n_estimators=150,
min_samples_split=4, min_samples_leaf=2)

2、人工验证

可以使用train_test_split函数人工提取train/test数据，对所建立的模型进行验证。其中test_size表示测试样本所占比例。

sklearn.cross_validation.train_test_split(*arrays,**options)
X_train, X_test, y_train, y_test = cross_validation.train_test_split(iris.data,iris.target, test_size=0.4, random_state=0)
>>> X_train.shape, y_train.shape
((90, 4), (90,))
>>> X_test.shape, y_test.shape
((60, 4), (60,))

3、交叉验证

利用scikit learn的交叉验证方法，可以仅使用训练数据集测试模型的准确性。其中最常见的是K折交叉验证：即将训练样本集分割成K个子样本，其中一个子样本被保留作为验证模型的测试数据，其他K-1个样本用来训练；交叉验证的过程重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一的准确度估测。

具体方法如下，其中cv表示K-折验证中的K值，例如cv=2表示二折交叉验证；n_jobs表示CPU数量。

sklearn.cross_validation.cross_val_score(estimator, X,y=None, scoring=None, cv=None, n_jobs=1, verbose=0, fit_params=None, pre_dispatch=‘2*n_jobs’)

4、关注过分拟合

过分拟合（overfitting）的直接结果是：对于训练集样本数据的交叉验证精度很高，但是用在实际测试集数据上，预测精度要低许多。

有时候为了使模型对实际（或测试）样本具有更高的预测精度，要适当降低模型在训练样本集上的预测准确度，避免由于过拟合所造成的适应性降低问题。