Лабораторная работа №11: Ансамбли. Random Forest

Цель: На практике убедиться в превосходстве ансамблей над одиночными моделями. Мы сравним неустойчивое Дерево Решений с мощным Случайным Лесом, научимся использовать OOB Score для валидации без отложенной выборки и визуализируем важность признаков для картинок.

Инструменты:

• sklearn.ensemble: RandomForestClassifier.
• sklearn.tree: DecisionTreeClassifier.
• sklearn.datasets: load_digits (Рукописные цифры).

Данные: Digits Dataset. Это набор изображений 8x8 пикселей (всего 64 признака), где каждая картинка — это рукописная цифра от 0 до 9.

Часть 1: Одиночное Дерево vs Случайный Лес

Деревья склонны к переобучению (высокая дисперсия). Лес усредняет множество деревьев, снижая дисперсию.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# Загрузка
digits = load_digits()
X = digits.data
y = digits.target

print(f"Размерность данных: {X.shape}") # (1797, 64)
print(f"Пример класса: {y[0]}")

# Визуализация одной цифры для понимания
plt.imshow(X[0].reshape(8, 8), cmap='gray')
plt.title(f"Label: {y[0]}")
plt.show()

# TODO: Разделите данные
# X_train, X_test, y_train, y_test = train_test_split(...)

from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier

# 1. Одиночное дерево
# TODO: Создайте и обучите DecisionTreeClassifier
# tree = ...
# tree.fit(...)
# acc_tree = accuracy_score(y_test, tree.predict(X_test))

# 2. Случайный лес
# TODO: Создайте и обучите RandomForestClassifier
# forest = ...
# forest.fit(...)
# acc_forest = accuracy_score(y_test, forest.predict(X_test))

# print(f"Accuracy Tree:   {acc_tree:.4f}")
# print(f"Accuracy Forest: {acc_forest:.4f}")
# print(f"Разница:         {(acc_forest - acc_tree)*100:.2f}%")

Часть 2: Out-of-Bag (OOB) Score

При бутстрэпе (создании подвыборок для каждого дерева) часть данных (~37%) не попадает в обучение. Лес может использовать их как валидационную выборку. Это позволяет оценить качество модели прямо в процессе обучения.

Задание 2.1: Включаем OOB

1. Создайте Random Forest с параметром oob_score=True.
2. Обучите его на X_train.
3. Сравните атрибут oob_score_ с реальным скором на X_test. Они должны быть близки.

# TODO: Создайте лес с oob_score=True
# forest_oob = RandomForestClassifier(n_estimators=100, oob_score=True, random_state=42, n_jobs=-1)
# forest_oob.fit(X_train, y_train)

# print(f"OOB Score (на Train): {forest_oob.oob_score_:.4f}")
# print(f"Test Score (на Test): {forest_oob.score(X_test, y_test):.4f}")

Часть 3: Важность признаков (Feature Importance)

У нас 64 признака (пикселя). Какие из них важны для распознавания цифры? В Random Forest мы можем посмотреть на feature_importances_. Так как признаки — это пиксели картинки 8x8, мы можем нарисовать важность как тепловую карту.

Задание 3.1: Визуализация важности пикселей

1. Извлеките массив важностей из обученной модели forest.
2. Измените его форму (reshape) обратно в 8x8.
3. Постройте sns.heatmap.

# TODO: Получите важность признаков
# importances = forest.feature_importances_

# TODO: Преобразуйте в матрицу 8x8
# importances_img = importances.reshape(8, 8)

# Визуализация
# plt.figure(figsize=(8, 6))
# sns.heatmap(importances_img, cmap='hot', annot=False)
# plt.title("Какие пиксели важны для распознавания цифр?")
# plt.show()

Часть 4: Влияние количества деревьев

Работает ли правило “Больше — лучше”?

Задание 4.1: Кривая обучения

Проверьте, как меняется качество при увеличении числа деревьев от 10 до 200.

n_trees = [10, 50, 100, 200]
scores = []

# TODO: Напишите цикл
# for n in n_trees:
#     rf = RandomForestClassifier(n_estimators=n, random_state=42, n_jobs=-1)
#     rf.fit(X_train, y_train)
#     scores.append(rf.score(X_test, y_test))

# plt.plot(n_trees, scores, marker='o')
# plt.xlabel("Количество деревьев")
# plt.ylabel("Accuracy")
# plt.title("Зависимость качества от размера леса")
# plt.show()

🧠 Проверка знаний