- 微信
- 微博
  
  分享文章到微博
- 复制链接
  
  复制链接到剪贴板

机器学习预测2018年世界杯冠军队

G-washington 发表于 2019/10/11 22:05:26 2019/10/11

【摘要】麻省理工学院开发了一种新型人工智能，用以预测世界杯走势。而应用了一种名为random-forest的计算方法，通过结合机器自我学习和常规统计，其准确率可能远胜于传统的统计方法。

麻省理工学院报道，他们开发了一种新型人工智能，用以预测世界杯走势。而应用了一种名为random-forest的计算方法，通过结合机器自我学习和常规统计，其准确率可能远胜于传统的统计方法。

在众多资深评论员的预测中，巴西拥有16.6%的最高夺冠几率，德国和西班牙紧随其后，夺冠概率分别有12.8%和12.5%。但random-forest认为，西班牙拥有更高的夺冠几率，其捧杯概率为17.8%，高于德国。这其中主要是因德国在16强中失利的可能性相对较大。在麻省理工的相关报告中，他们表示：

“西班牙比德国稍受AI青睐，这主要是因为德国在16强被爆冷的可能更高。”

近年来random-forest已经成为一种分析大型数据集的可靠方法，其在运行分析的同时规避了其他数据挖掘系统的一些缺陷。Random-forest的主要运算逻辑基于未来事件可以由决策树来决定这一原则，而决策树通过分析每一组数据集来得出其相应分支的结果。

在麻省理工的报告中称，影响西班牙和德国未来走向的重要因素是赛事本身的结构。他们指出，如果德国在小组阶段出线，其在16强淘汰赛面临的挑战将远大于西班牙，“翻车”的可能性不小。基于此点，random-forest通过计算，认为德国进入1/4决赛的概率只有58%；相比之下，西班牙则有73%的机率进入八强。

当然，假如西班牙和德国都成功进入1/4决赛，那么他们将有平等的机会最终捧杯。

random-forest中文翻译为随机森林，随机森林离不开决策树，下面我们就聊聊决策树和random-forest是如何计算的。

决策树模型虽然简单明了，但单独使用时效果并不理想。决策树和逻辑回归配合使用,将两种模型联结成为一个整体后，模型的效果得到了明显的提升。但由于其中涉及两种完全不同的模型，在数学上很难给这种联结方式一个比较理想的抽象，因此在工程实现上，很难做到自动寻找最优的模型组合。

为了使模型间的组合更加自动化，最常规或者最成熟的做法就是只使用一种模型，比如决策树。通过某种方式将多个决策树组合起来，使用它们的“集体智慧”来解决问题，学术上被称为集成方法（ensemble method）。

针对决策树的集成方法通常可以被分为两类：平均方法（averaging methods）和提升方法（boosting methods）。它们的代表模型分别是随机森林和GBTs。

1.1随机森林

随机森林（random forests）由n个决策树组成，模型的预测结果等于各决策树结果的某种“加权平均”，如图1所示。

• 对于分类问题，最终结果等于在决策树预测结果中出现次数最多的类别。直观上，可以将每个决策树想象成一个人，而随机森林想象成一场投票，通过少数服从多数的原则得到最终的结果。

• 对于回归问题，最终结果等于决策树预测结果的平均值。

随机森林的建模依据是：一棵树犯错的概率比较大，但很多树同时犯错的概率就很小了。通过一个简单的例子，从数学上来证明一下这种做法的正确性。假设针对某个分类问题，有3棵相互独立的决策树，它们各自预测错误的概率为20%。如果将它们按少数服从多数的原则组合起来，形成一个随机森林，那么预测犯错的情况可分为如下两种：3棵决策树都错误或者只有一棵树预测正确。计算可得这个随机森林的犯错概率下降到10.4%。

〖0.2〗^3 + 3 × 〖0.2〗^2 × 0.8 = 10.4% （8-34）

由上面的例子可以看到，随机森林预测效果最重要的保证是森林中的决策树是相互独立的（极端地，假设森林中的每棵树都是一样的，则随机森林模型等同于决策树模型）。那么针对同一份训练数据，应该如何产生随机的决策树呢？

首先回顾一下决策树划分节点的具体步骤。使用训练集中的所有数据（假设数据被分为训练集和测试集）训练模型。对于需要划分的节点，选择最优的一个自变量以及相应的阈值，将其划分为左右两个子节点，使得子节点的不纯度之和达到最小。因此，可以从如下的3个层面引入决策树的随机性。

• 对于每个决策树，从原始训练集中随机选取训练该决策树的数据。

• 在划分节点时，并不遍历全部自变量，而是随机挑选其中的一部分作为候选自变量。

• 在选择自变量的划分阈值时，并不求得最优的解，而是随机构成一个候选阈值集合，并从中选取效果最优的（子节点的不纯度之和最低）。

针对随机森林，第三方库scikit-learn提供了两种实现：random forests和extremely randomized trees。这两者的差异在于random forests实现了随机性中的前两点，即训练数据随机以及候选自变量随机，而extremely randomized trees实现了随机性中的全部3点。在代码层面，这两类模型被封装成4个类（模型的参数和调用代码与决策树类似，在此不再赘述，有兴趣的读者请参考scikit-learn官方网站）。

• random forests 包括两个类：用于分类问题的RandomForestClassifier和用于回归问题的RandomForestRegressor。

• extremely randomized trees也包含两个类：ExtraTreesClassifier和ExtraTreesRegressor。它们分别解决分类问题和回归问题。

1.2Random forest embedding

随机森林虽然是监督式学习，但它其实同样能处理没有标签变量的数据（或者故意不使用数据中的标签变量）。也就是说随机森林能被当作非监督式学习的模型使用[ ]，先来看看这种方法的具体步骤。

假设训练数据一共有n个且数据由m维向量表示，记为{X_i = (x_(i,1),x_(i,2),...,x_(i,m)),1 "≤" i "≤" n}。将这n个原始数据都归为一类，也就是说凭空生成标签变量{y_i = 0,1 "≤" i "≤" n}。然后按如下的方法生成合成数据{X_i,n + 1 "≤" i "≤" 2n}：对于数据X_(n + 1)，从原始数据第1个变量的取值里（即{x_(i,1)}）随机抽取一个作为它的第1个变量；从原始数据第2个变量的取值里（即{x_(i,2)}）随机抽取一个作为它的第2个变量，并以此类推，生成合成数据X_(n + 1)。不断重复上面的这个过程，直到生成n个新的合成数据。数据生成完成之后，将合成数据归为另一类，即{y_i = 1,n + 1 "≤" i "≤" 2n}，整个过程如图2所示。

图2

原始数据、合成数据以及生成的标签变量放在一起，就构成了有标签的训练数据，不妨记为{(X_i,y_i),1 "≤" i "≤" 2n}。对于这样的数据，可以对其使用随机森林进行分类，这样操作的目的有两个[ ]。

• 分析各个变量之间是否存在比较强烈的相关关系。同原始数据相比，合成数据里每个变量的分布情况是没有变化的（因为随机抽取）。唯一不同的是，合成数据破坏了原始数据中各个变量间可能存在相关关系。因此当分类结果的误差较大时，说明原始数据的各个变量几乎是相互独立，反之则说明各变量间的相关关系比较强烈。

• 将原本较低维度的原始数据映射到高维空间，同支持向量学习机中的核函数类似。这在学术上被称为random forest embedding，也是如此使用随机森林的主要目的。下面将讨论它的具体细节。

在上节中，我们讨论了如何利用决策树来做特征提取，而随机森林是由n棵决策树组成，因此相应的处理方法与之很相似。举个例子，假设训练好的随机森林（训练数据为{(X_i,y_i),1 "≤" i "≤" 2n}）里有两棵决策树，它们的叶子节点数分别为2和4。第i个数据X_i落在了第一棵决策树的第1个叶子，第二棵决策树的第2个叶子。那么这个数据相应的新特征为(1, 0, 0, 1, 0, 0)，如图3所示，这样就完成了低维数据到高维数据（随机森林里决策树的个数可以很大）的映射。random forest embedding方法常配合其他监督式学习模型一起使用.

图3

为了提升模型效果，需要借鉴支持向量学习机（SVM）中核函数（kernel method）的做法，将低维数据映射到高维空间，而且需要保证在高维空间里，各变量的取值只能是0或者1。random forests embedding正好满足这样的要求，因此在实际中，常使用它将数据升到高维，再在此基础上使用伯努利模型对数据进行分类。

举个简单的例子，假设原始数据只有两个变量x_1,x_2，将数据表现在平面上，可以得到如图3所示的图形，图中的三角形表示类别0，而圆点表示类别1，两个类别均呈半月型。如程序清单9-4所示，先使用RandomTreesEmbedding将原始的二维数据映射到高维空间，再使用BernoulliNB对变换后的数据做分类。分类的结果还不错，图4中灰色部分的预测结果是类别0的区域，而白***域的预测结果是类别1。