Python实现深度森林(Deep Forest)分类模子(deepforest分类算法)项目实战

分析：这是一个呆板学习实战项目（附带数据+代码+文档+视频解说），如需数据+代码+文档+视频解说可以直接到文章末了获取。

1.项目配景

随着大数据期间的到来，呆板学习技能在各个范畴的应用变得越来越广泛。在许多现实标题中，如图像辨认、天然语言处置惩罚和生物信息学等，深度学习模子因其强大的表达本领和精良的性能而成为主流方法之一。然而，在某些场景下，传统的呆板学习算法仍旧具有独特的上风，比如盘算服从高、可表明性强等。
深度森林（Deep Forest），又称为 gcForest（Gradient-Cascading Forest），是一种模仿深度学习架构的集成学习方法，它联合了随机森林的长处与深度学习的层级特性提取本领。该方法通过构建多层随机森林布局来实现特性的条理化提取，从而可以大概在不须要大量标注数据的环境下到达乃至逾越深度神经网络的性能。别的，相比于深度学习模子，深度森林还具有训练速率快、易于并行化等特点，这使得它在资源受限或对及时性要求较高的场景中特殊有用。  
本项目实现深度森林(Deep Forest)分类模子(deepforest分类算法)。     
2.数据获取

本次建模数据泉源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	形貌
1	x1
2	x2
3	x3
4	x4
5	x5
6	x6
7	x7
8	x8
9	x9
10	x10
11	y	因变量

数据详情如下(部分展示)：

3.数据预处置惩罚

3.1 用Pandas工具查察数据

使用Pandas工具的head()方法查察前五行数据： 

关键代码：

3.2数据缺失查察

使用Pandas工具的info()方法查察数据信息：

从上图可以看到，统共有11个变量，数据中无缺失值，共2000条数据。
关键代码： 

3.3数据形貌性统计

通过Pandas工具的describe()方法来查察数据的均匀值、标准差、最小值、分位数、最大值。

关键代码如下：  

4.探索性数据分析

4.1 y变量柱状图

用Matplotlib工具的plot()方法绘制柱状图：

4.2 y=1样本x1变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

4.3 干系性分析

从上图中可以看到，数值越大干系性越强，正值是正干系、负值是负干系。

5.特性工程

5.1 创建特性数据和标签数据

关键代码如下：

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集举行分别，关键代码如下：

6.构建深度森林分类模子 

重要使用深度森林deepforest分类算法，用于目标分类。  
6.1 构建模子 

编号	模子名称	参数
1	深度森林分类模子	n_estimators=2
2		min_samples_leaf=1

7.模子评估

7.1评估指标及结果 

评估指标重要包罗准确率、查准率、查全率、F1分值等等。

模子名称	指标名称	指标值
测试集
深度森林分类模子	准确率	0.9400
	查准率	0.9645
	查全率	0.9179
	F1分值	0.9406

从上表可以看出，F1分值为0.9406，分析模子结果精良。   
关键代码如下：

7.2 分类陈诉

从上图可以看出，分类为0的F1分值为0.94；分类为1的F1分值为0.94。  
7.3 肴杂矩阵

从上图可以看出，现实为0推测不为0的 有7个样本；现实为1推测不为1的 有17个样本，团体推测准确率精良。  
8.结论与预测

综上所述，本文采取了深度森林deepforest分类算法来构建分类模子，终极证实确我们提出的模子结果精良。此模子可用于一样平常产物的推测。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金