随机森林是由许多决策树构成，是一种有监督机器学习方法，可以用于分类和回归，通过合并汇总来自个体决策树的结果来进行预测，采用多数选票作为分类结果，采用预测结果平均值作为回归结果。
“森林”的概念很好理解，“随机”是针对森林中的每一颗决策树，有两种含义：第一种随机是数据采样随机，构建决策树的训练数据集通过有放回的随机采样，并且只会选择一定百分比的样本，这样可以在数据集合存在噪声点、异常点的情况下，有些决策树的构造过程中不会选择到这些噪声点、异常点从而达到一定的泛化作用在一定程度上抑制过拟合；第二种随机是特征随机，训练集会包含一系列特征，随机选择一部分特征进行决策树的构建。通过这些差异点来训练的每一颗决策树都会学习输入与输出的关系，随机森林的强大之处也就在于此。
废话不多说，直接上代码：
from pyspark import SparkConf
from pyspark.sql import SparkSession
from pyspark.ml.linalg import Vectors
from pyspark.ml.feature import StringIndexer
from pyspark.ml.classification import RandomForestClassifier
from pyspark.sql import Row
import pandas as pd
from sklearn import metrics
if __name__ == "__main__":
appname = "RandomForestClassifier"
master ="local[4]"
conf = SparkConf().setAppName(appname).setMaster(master) #spark配置
spark=SparkSession.builder.config(conf=conf).getOrCreate()#spark实例化
#读取数据
data=spark.read.csv('良恶性乳腺癌数据.csv',header=True)
#构造训练数据集
dataSet = data.na.fill('0').rdd.map(list)#用0填充空值
trainData, testData= dataSet.randomSplit([0.7, 0.3], seed=7)
trainingSet = trainData.map(lambda x:Row(label=x[-1], features=Vectors.dense(x[:-1]))).toDF()
train_num = trainingSet.count()
print("训练样本数:{}".format(train_num))
#使用随机森林进行训练
stringIndexer = StringIndexer(inputCol="label", outputCol="indexed")
si_model = stringIndexer.fit(trainingSet)
train_tf = si_model.transform(trainingSet)
train_tf.show(5)
rf = RandomForestClassifier(numTrees=100, labelCol="indexed", seed=7)
rfModel = rf.fit(train_tf)
#输出模型特征重要性、子树权重
print("模型特征重要性:{}".format(rfModel.featureImportances))
print("模型特征数:{}".format(rfModel.numFeatures))
#预测测试集
testSet = testData.map(lambda x:Row(label=x[-1], features=Vectors.dense(x[:-1]))).toDF()
test_num=testSet.count()
print("测试样本数:{}".format(test_num))
si_model = stringIndexer.fit(testSet)
test_tf = si_model.transform(testSet)
predictResult = rfModel.transform(test_tf)
predictResult.show(5)
spark.stop()
#将预测结果转为python中的dataframe
columns=predictResult.columns#提取强表字段
predictResult=predictResult.take(test_num)#
predictResult=pd.DataFrame(predictResult,columns=columns)#转为python中的dataframe
#性能评估
y=list(predictResult['indexed'])
y_pred=list(predictResult['prediction'])
y_predprob=[x[1] for x in list(predictResult['probability'])]
precision_score=metrics.precision_score(y, y_pred)#精确率
recall_score=metrics.recall_score(y, y_pred)#召回率
accuracy_score=metrics.accuracy_score(y, y_pred)#准确率
f1_score=metrics.f1_score(y, y_pred)#F1分数
auc_score=metrics.roc_auc_score(y, y_predprob)#auc分数
print("精确率:",precision_score )#精确率
print("召回率:",recall_score )#召回率
print("准确率:",accuracy_score )#准确率
print("F1分数:", f1_score)#F1分数
print("auc分数:",auc_score )#auc分数
运行结果：
