随机森林 Random Trees（一）

转载自：http://lincccc.com/?p=45

OpenCV2.3中Random Trees（R.T.）的继承结构：





API：

CvRTParams	定义R.T.训练用参数，CvDTreeParams的扩展子类，但并不用到CvDTreeParams（单一决策树）所需的所有参数。比如说，R.T.通常不需要剪枝，因此剪枝参数就不被用到。 max_depth 单棵树所可能达到的最大深度 min_sample_count 树节点持续分裂的最小样本数量，也就是说，小于这个数节点就不持续分裂，变成叶子了 regression_accuracy 回归树的终止条件，如果所有节点的精度都达到要求就停止 use_surrogates 是否使用代理分裂。通常都是false，在有缺损数据或计算变量重要性的场合为true，比如，变量是色彩，而图片中有一部分区域因为光照是全黑的 max_categories 将所有可能取值聚类到有限类，以保证计算速度。树会以次优分裂（suboptimal split）的形式生长。只对2种取值以上的树有意义 priors 优先级设置，设定某些你尤其关心的类或值，使训练过程更关注它们的分类或回归精度。通常不设置 calc_var_importance 设置是否需要获取变量的重要值，一般设置true nactive_vars 树的每个节点随机选择变量的数量，根据这些变量寻找最佳分裂。如果设置0值，则自动取变量总和的平方根 max_num_of_trees_in_the_forest R.T.中可能存在的树的最大数量 forest_accuracy 准确率（作为终止条件） termcrit_type 终止条件设置 — CV_TERMCRIT_ITER 以树的数目为终止条件，max_num_of_trees_in_the_forest生效 – CV_TERMCRIT_EPS 以准确率为终止条件，forest_accuracy生效 — CV_TERMCRIT_ITER | CV_TERMCRIT_EPS 两者同时作为终止条件
CvRTrees::train	训练R.T. return bool 训练是否成功 train_data 训练数据：样本（一个样本由固定数量的多个变量定义），以Mat的形式存储，以列或行排列，必须是CV_32FC1格式 tflag trainData的排列结构 — CV_ROW_SAMPLE 行排列 — CV_COL_SAMPLE 列排列 responses 训练数据：样本的值（输出），以一维Mat的形式存储，对应trainData，必须是CV_32FC1或CV_32SC1格式。对于分类问题，responses是类标签；对于回归问题，responses是需要逼近的函数取值 var_idx 定义感兴趣的变量，变量中的某些，传null表示全部 sample_idx 定义感兴趣的样本，样本中的某些，传null表示全部 var_type 定义responses的类型 — CV_VAR_CATEGORICAL 分类标签 — CV_VAR_ORDERED（CV_VAR_NUMERICAL）数值，用于回归问题 missing_mask 定义缺失数据，和train_data一样大的8位Mat params CvRTParams定义的训练参数
CvRTrees::train	训练R.T.（简短版的train函数） return bool 训练是否成功 data 训练数据：CvMLData格式，可从外部.csv格式的文件读入，内部以Mat形式存储，也是类似的value / responses / missing mask。 params CvRTParams定义的训练参数
CvRTrees:predict	对一组输入样本进行预测（分类或回归） return double 预测结果 sample 输入样本，格式同CvRTrees::train的train_data missing_mask 定义缺失数据

Example：

#include <cv.h>
#include <stdio.h>
#include <highgui.h>
#include <ml.h>
#include <map>

void print_result(float train_err, float test_err,
const CvMat* _var_imp)
{
printf( "train error %f\n", train_err );
printf( "test error %f\n\n", test_err );

if (_var_imp)
{
cv::Mat var_imp(_var_imp), sorted_idx;
cv::sortIdx(var_imp, sorted_idx, CV_SORT_EVERY_ROW +
CV_SORT_DESCENDING);

printf( "variable importance:\n" );
int i, n = (int)var_imp.total();
int type = var_imp.type();
CV_Assert(type == CV_32F || type == CV_64F);

for( i = 0; i < n; i++)
{
int k = sorted_idx.at<int>(i);
printf( "%d\t%f\n", k, type == CV_32F ?
var_imp.at<float>(k) :
var_imp.at<double>(k));
}
}
printf("\n");
}

int main()
{
const char* filename = "data.xml";
int response_idx = 0;

CvMLData data;
data.read_csv( filename ); // read data
data.set_response_idx( response_idx ); // set response index
data.change_var_type( response_idx,
CV_VAR_CATEGORICAL ); // set response type
// split train and test data
CvTrainTestSplit spl( 0.5f );
data.set_train_test_split( &spl );
data.set_miss_ch("?"); // set missing value

CvRTrees rtrees;
rtrees.train( &data, CvRTParams( 10, 2, 0, false,
16, 0, true, 0, 100, 0, CV_TERMCRIT_ITER ));
print_result( rtrees.calc_error( &data, CV_TRAIN_ERROR),
rtrees.calc_error( &data, CV_TEST_ERROR ),
rtrees.get_var_importance() );

return 0;
}

References：

[1] OpenCV 2.3 Online Documentation: http://opencv.itseez.com/modules/ml/doc/random_trees.html

[2] Random Forests, Leo Breiman and Adele Cutler: http://www.stat.berkeley.edu/users/breiman/RandomForests/cc_home.htm

[3] T. Hastie, R. Tibshirani, J. H. Friedman. The
Elements of Statistical Learning. ISBN-13 978-0387952840, 2003, Springer.