`sklearn.ensemble`.RandomTreesEmbedding¶

class sklearn.ensemble.RandomTreesEmbedding¶

Un conjunto de árboles totalmente aleatorios.

Una transformación no supervisada de un conjunto de datos a una representación dispersa de alta dimensión. Un punto de datos se codifica según la hoja de cada árbol en la que se clasifica. Utilizando una codificación one-hot de las hojas, se obtiene una codificación binaria con tantos unos como árboles hay en el bosque.

La dimensionalidad de la representación resultante es n_out <= n_estimators * max_leaf_nodes. Si max_leaf_nodes == None, el número de nodos hoja es como máximo n_estimators * 2 ** max_depth.

Más información en el Manual de usuario.

Parámetros

n_estimatorsint, default=100

Número de árboles en el bosque.

Distinto en la versión 0.22: El valor predeterminado de n_estimators cambió de 10 a 100 en 0.22.

max_depthint, default=5

La profundidad máxima de cada árbol. Si es None, los nodos se expanden hasta que todas las hojas sean puras o hasta que todas las hojas contengan menos de min_samples_split muestras.

min_samples_splitint o float, default=2

El número mínimo de muestras requeridas para dividir un nodo interno:

Si es int, entonces considera min_samples_split como el número mínimo.
Si es float, entonces min_samples_split es una fracción y ceil(min_samples_split * n_samples) es el número mínimo de muestras para cada división.

Distinto en la versión 0.18: Se han añadido valores float para las fracciones.

min_samples_leafint o float, default=1

El número mínimo de muestras requerido para estar en un nodo hoja. Un punto de división en cualquier profundidad sólo se considerará si deja al menos min_samples_leaf muestras de entrenamiento en cada una de las ramas izquierda y derecha. Esto puede tener el efecto de suavizar el modelo, especialmente en la regresión.

Si es int, entonces considera min_samples_leaf como el número mínimo.
Si es float, entonces min_samples_leaf es una fracción y ceil(min_samples_leaf * n_samples) es el número mínimo de muestras para cada nodo.

Distinto en la versión 0.18: Se han añadido valores float para las fracciones.

min_weight_fraction_leaffloat, default=0.0

La fracción mínima ponderada de la suma total de las ponderaciones (de todas las muestras de entrada) requerida para estar en un nodo de hoja. Las muestras tienen la misma ponderación cuando no se proporciona sample_weight.

max_leaf_nodesint, default=None

Hace crecer árboles con max_leaf_nodes en modo best-first. Los mejores nodos se definen como una reducción relativa de la impureza. Si es None, el número de nodos hoja es ilimitado.

min_impurity_decreasefloat, default=0.0

Un nodo se dividirá si esta división induce una disminución de la impureza mayor o igual a este valor.

La ecuación de disminución de impurezas ponderada es la siguiente:

N_t / N * (impurity - N_t_R / N_t * right_impurity
                    - N_t_L / N_t * left_impurity)

donde N es el número total de muestras, N_t es el número de muestras en el nodo actual, N_t_L es el número de muestras en el hijo izquierdo, y N_t_R es el número de muestras en el hijo derecho.

N, N_t, N_t_R y N_t_L se refieren a la suma ponderada, si se le pasa sample_weight.

Nuevo en la versión 0.19.

min_impurity_splitfloat, default=None

El umbral para la parada anticipada del crecimiento del árbol. Un nodo se dividirá si su impureza está por encima del umbral, de lo contrario será una hoja.

Obsoleto desde la versión 0.19: El valor de min_impurity_split ha quedado obsoleto en favor de min_impurity_decrease en la versión 0.19. El valor predeterminado de min_impurity_split ha cambiado de 1e-7 a 0 en 0.23 y se eliminará en 1.0 (cambio de nombre de 0.25). Utilice min_impurity_decrease en su lugar.

sparse_outputbool, default=True

Ya sea para devolver o no una matriz de CSR dispersa, como comportamiento predeterminado, o para devolver un arreglo denso compatible con operadores de pipeline densos.

n_jobsint, default=None

El número de trabajos a ejecutar en paralelo. fit, transform, decision_path y apply se paralelizan sobre los árboles. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa que se utilizan todos los procesadores. Ver Glosario para más detalles.

random_stateentero, instancia de RandomState o None, default=None

Controla la generación del estado “y” aleatorio utilizado para ajustar los árboles y escoger las divisiones para cada característica en los nodos de los árboles. Ver Glosario para más detalles.

verboseint, default=0

Controla la verbosidad al ajustar y predecir.

warm_startbool, default=False

Cuando se establece en True, se reutiliza la solución de la llamada anterior para ajustar y añadir más estimadores al conjunto(ensemble), de lo contrario, sólo se ajusta un bosque nuevo. Ver el Glosario.

Atributos

base_estimator_Instancia DecisionTreeClassifier: La plantilla del estimador hijo utilizada para crear la colección de sub-estimadores ajustados.
estimators_list de instancias DecisionTreeClassifier: La colección de sub-estimadores ajustados.
feature_importances_ndarray de forma (n_features,): La importancia de las características basadas en la impureza.
n_features_int: El número de características cuando se realiza fit.
n_outputs_int: El número de salidas cuando se realiza fit.
one_hot_encoder_Instancia OneHotEncoder: Codificador one-hot utilizado para crear la incrustación dispersa.

Referencias

1: P. Geurts, D. Ernst., and L. Wehenkel, «Extremely randomized trees», Machine Learning, 63(1), 3-42, 2006.
2: Moosmann, F. and Triggs, B. y Jurie, F. «Fast discriminative visual codebooks using randomized clustering forests» NIPS 2007

Ejemplos

>>> from sklearn.ensemble import RandomTreesEmbedding
>>> X = [[0,0], [1,0], [0,1], [-1,0], [0,-1]]
>>> random_trees = RandomTreesEmbedding(
...    n_estimators=5, random_state=0, max_depth=1).fit(X)
>>> X_sparse_embedding = random_trees.transform(X)
>>> X_sparse_embedding.toarray()
array([[0., 1., 1., 0., 1., 0., 0., 1., 1., 0.],
       [0., 1., 1., 0., 1., 0., 0., 1., 1., 0.],
       [0., 1., 0., 1., 0., 1., 0., 1., 0., 1.],
       [1., 0., 1., 0., 1., 0., 1., 0., 1., 0.],
       [0., 1., 1., 0., 1., 0., 0., 1., 1., 0.]])

Métodos

`apply`	Aplica los árboles del bosque a X, devuelve los índices de las hojas.
`decision_path`	Devuelve la ruta de decisión en el bosque.
`fit`	Ajusta el estimador.
`fit_transform`	Ajusta el estimador y transforma el conjunto de datos.
`get_params`	Obtiene los parámetros para este estimador.
`set_params`	Establece los parámetros de este estimador.
`transform`	Transforma el conjunto de datos.

apply()¶

Aplica los árboles del bosque a X, devuelve los índices de las hojas.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, su dtype se convertirá a dtype=np.float32. Si se proporciona una matriz dispersa, se convertirá a una dispersa csr_matrix.

Devuelve

X_leavesndarray de forma (n_samples, n_estimators): Para cada punto de datos x en X y para cada árbol del bosque, devuelve el índice de la hoja en la que termina x.

decision_path()¶

Devuelve la ruta de decisión en el bosque.

Nuevo en la versión 0.18.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, su dtype se convertirá a dtype=np.float32. Si se proporciona una matriz dispersa, se convertirá a una dispersa csr_matrix.

Devuelve

indicatormatriz dispersa de forma (n_samples, n_nodes): Devuelve una matriz de indicadores de nodos donde los elementos distintos de cero indican que las muestras pasan por los nodos. La matriz tiene el formato CSR.
n_nodes_ptrndarray de forma (n_estimators + 1,): Las columnas de indicador[n_nodes_ptr[i]:n_nodes_ptr[i+1]] dan el valor del indicador para el i-ésimo estimador.

property feature_importances_¶

La importancia de las características basadas en la impureza.

Cuanto más alta sea, más importante será la característica. La importancia de una característica se calcula como la reducción total (normalizada) del criterio que aporta esa característica. También se conoce como importancia de Gini.

Advertencia: las importancias de características basadas en la impureza pueden ser no representativas para las características de alta cardinalidad (muchos valores únicos). Ver sklearn.inspection.permutation_importance como una alternativa.

Devuelve

feature_importances_ndarray de forma (n_features,): Los valores de este arreglo suman 1, a menos que todos los árboles sean árboles de un solo nodo que consistan sólo en el nodo raíz, en cuyo caso será una matriz de ceros.

fit()¶

Ajusta el estimador.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Utilice dtype=np.float32 para obtener la máxima eficiencia. También se admiten matrices dispersas, utilice csc_matrix dispersa para obtener la máxima eficiencia.
yIgnorado: No se utiliza, está presente para la coherencia de la API por convención.
sample_weightarray-like de forma (n_samples,), default=None: Ponderación de las muestras. Si es None, las muestras se ponderan por igual. Las divisiones que crearían nodos hijos con ponderación neta cero o negativa se ignoran al buscar una división en cada nodo. En el caso de la clasificación, las divisiones también se ignoran si dan lugar a que una sola clase tenga una ponderación negativa en cualquiera de los nodos hijos.

Devuelve

selfobject

fit_transform()¶

Ajusta el estimador y transforma el conjunto de datos.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Datos de entrada utilizados para construir bosques. Utilice dtype=np.float32 para obtener la máxima eficiencia.
yIgnorado: No se utiliza, está presente para la coherencia de la API por convención.
sample_weightarray-like de forma (n_samples,), default=None: Ponderación de las muestras. Si es None, las muestras se ponderan por igual. Las divisiones que crearían nodos hijos con ponderación neta cero o negativa se ignoran al buscar una división en cada nodo. En el caso de la clasificación, las divisiones también se ignoran si dan lugar a que una sola clase tenga una ponderación negativa en cualquiera de los nodos hijos.

Devuelve

X_transformedmatriz dispersa de forma (n_samples, n_output): Conjunto de datos transformado.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.

transform()¶

Transforma el conjunto de datos.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Datos de entrada a ser transformados. Utilice dtype=np.float32 para obtener la máxima eficiencia. Las matrices dispersas también están soportadas, utilice csr_matrix dispersa para una máxima eficiencia.

Devuelve

X_transformedmatriz dispersa de forma (n_samples, n_output): Conjunto de datos transformado.

Ejemplos utilizando `sklearn.ensemble.RandomTreesEmbedding`¶

sklearn.ensemble.RandomTreesEmbedding¶

Ejemplos utilizando sklearn.ensemble.RandomTreesEmbedding¶

`sklearn.ensemble`.RandomTreesEmbedding¶

Ejemplos utilizando `sklearn.ensemble.RandomTreesEmbedding`¶