随机森林回归 (RandomForestRegressor)

Java 类名：com.alibaba.alink.pipeline.regression.RandomForestRegressor

Python 类名：RandomForestRegressor

功能介绍

• 随机森林回归是一种常用的树模型，由于bagging的过程，可以避免过拟合

• 随机森林回归组件支持稠密数据格式

• 支持带样本权重的训练

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
labelCol	标签列名	输入表中的标签列名	String	✓
predictionCol	预测结果列名	预测结果列名	String	✓
categoricalCols	离散特征列名	离散特征列名	String[]
createTreeMode	创建树的模式。	series表示每个单机创建单颗树，parallel表示并行创建单颗树。	String			“series”
featureCols	特征列名数组	特征列名数组，默认全选	String[]			null
maxBins	连续特征进行分箱的最大个数	连续特征进行分箱的最大个数。	Integer			128
maxDepth	树的深度限制	树的深度限制	Integer			2147483647
maxLeaves	叶节点的最多个数	叶节点的最多个数	Integer			2147483647
maxMemoryInMB	树模型中用来加和统计量的最大内存使用数	树模型中用来加和统计量的最大内存使用数	Integer			64
minInfoGain	分裂的最小增益	分裂的最小增益	Double			0.0
minSampleRatioPerChild	子节点占父节点的最小样本比例	子节点占父节点的最小样本比例	Double			0.0
minSamplesPerLeaf	叶节点的最小样本个数	叶节点的最小样本个数	Integer			2
modelFilePath	模型的文件路径	模型的文件路径	String			null
numSubsetFeatures	每棵树的特征采样数目	每棵树的特征采样数目	Integer			2147483647
numTrees	模型中树的棵数	模型中树的棵数	Integer		x >= 1	10
overwriteSink	是否覆写已有数据	是否覆写已有数据	Boolean			false
reservedCols	算法保留列名	算法保留列	String[]			null
seed	采样种子	采样种子	Long			0
subsamplingRatio	每棵树的样本采样比例或采样行数	每棵树的样本采样比例或采样行数，行数上限100w行	Double			100000.0
weightCol	权重列名	权重列对应的列名	String		所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT]	null
numThreads	组件多线程线程个数	组件多线程线程个数	Integer			1
modelStreamFilePath	模型流的文件路径	模型流的文件路径	String			null
modelStreamScanInterval	扫描模型路径的时间间隔	描模型路径的时间间隔，单位秒	Integer			10
modelStreamStartTime	模型流的起始时间	模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s)	String			null

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
    [1.0, "A", 0, 0, 0],
    [2.0, "B", 1, 1, 0],
    [3.0, "C", 2, 2, 1],
    [4.0, "D", 3, 3, 1]
])

batchSource = BatchOperator.fromDataframe(
    df, schemaStr='f0 double, f1 string, f2 int, f3 int, label int')
streamSource = StreamOperator.fromDataframe(
    df, schemaStr='f0 double, f1 string, f2 int, f3 int, label int')

RandomForestRegressor()\
    .setPredictionCol('pred')\
    .setLabelCol('label')\
    .setFeatureCols(['f0', 'f1', 'f2', 'f3'])\
    .fit(batchSource)\
    .transform(batchSource)\
    .print()

RandomForestRegressor()\
    .setPredictionCol('pred')\
    .setLabelCol('label')\
    .setFeatureCols(['f0', 'f1', 'f2', 'f3'])\
    .fit(batchSource)\
    .transform(streamSource)\
    .print()

StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import com.alibaba.alink.pipeline.regression.RandomForestRegressor;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class RandomForestRegressorTest {
	@Test
	public void testRandomForestRegressor() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(1.0, "A", 0, 0, 0),
			Row.of(2.0, "B", 1, 1, 0),
			Row.of(3.0, "C", 2, 2, 1),
			Row.of(4.0, "D", 3, 3, 1)
		);

		BatchOperator <?> batchSource = new MemSourceBatchOp(df, "f0 double, f1 string, f2 int, f3 int, label int");
		StreamOperator <?> streamSource = new MemSourceStreamOp(df, "f0 double, f1 string, f2 int, f3 int, label int");
		new RandomForestRegressor()
			.setPredictionCol("pred")
			.setLabelCol("label")
			.setFeatureCols("f0", "f1", "f2", "f3")
			.fit(batchSource)
			.transform(batchSource)
			.print();
		new RandomForestRegressor()
			.setPredictionCol("pred")
			.setLabelCol("label")
			.setFeatureCols("f0", "f1", "f2", "f3")
			.fit(batchSource)
			.transform(streamSource)
			.print();
		StreamOperator.execute();
	}
}

运行结果

批预测结果

f0	f1	f2	f3	label	pred
1.0000	A	0	0	0	0.0000
2.0000	B	1	1	0	0.0000
3.0000	C	2	2	1	1.0000
4.0000	D	3	3	1	1.0000

流预测结果

f0	f1	f2	f3	label	pred
1.0000	A	0	0	0	0.0000
2.0000	B	1	1	0	0.0000
3.0000	C	2	2	1	1.0000
4.0000	D	3	3	1	1.0000