def getMyRFAcclist(treenum_list):
seed(1) # 每一次执行本文件时都能产生同一个随机数
filename = 'DataSet3.csv' #SMOTE处理过的数据
min_size = 1
sample_ratio = 1
feature_ratio = 0.3 # 尽可能小，但是要保证 int(self.feature_ratio * (len(train[0])-1)) 大于1
same_value = 20 # 向量内积的差（小于此值认为相似）
same_rate = 0.63 # 树的相似度（大于此值认为相似）
# 加载数据
dataset, features = load_csv(filename)
traindata, testdata = split_train_test(dataset, feature_ratio)
# 森林中不同树个数的对比
# treenum_list = [20, 30, 40, 50, 60]
acc_num_list = list()
acc_list = list()
for trees_num in treenum_list:
# 优化1-获取最优深度
max_depth = getBestDepth(min_size, sample_ratio, trees_num,
feature_ratio, traindata, testdata)
print('max_depth is ', max_depth)
# 初始化随机森林
myRF = randomForest(trees_num, max_depth, min_size, sample_ratio,
feature_ratio)
# 生成随机森林
myRF.build_randomforest(traindata)
print('Tree_number: ', myRF.trees.__len__())
# 计算森林中每棵树的AUC
auc_list = caculateAUC_1.caculateRFAUC(testdata, myRF.trees)
# 选取AUC高的决策数形成新的森林(auc优化)
newTempForest = auc_optimization(auc_list, trees_num, myRF.trees)
# 相似度优化
myRF.trees = similarity_optimization(newTempForest, same_value,
same_rate)
# 测试评估
acc = myRF.accuracy_metric(testdata[:-1])
print('myRF1_模型准确率：', acc, '%')
acc_num_list.append([myRF.trees.__len__(), acc])
acc_list.append(acc)
print('trees_num from 20 to 60: ', acc_num_list)
return acc_list
# print('max_depth is ',max_depth)
# 初始化随机森林
myRF = randomForest(trees_num, max_depth, min_size, sample_ratio,
feature_ratio)
# 生成随机森林
myRF.build_randomforest(traindata)
print('Tree_number: ', myRF.trees.__len__())
acc = myRF.accuracy_metric(testdata[:-1])
print('传统RF模型准确率：', acc, '%')
# 画出某棵树用以可视化观察（这里是第一棵树）
# plotTree.creatPlot(myRF.trees[0], features)
# 计算森林中每棵树的AUC
auc_list = caculateAUC_1.caculateRFAUC(testdata, myRF.trees)
# 画出每棵树的auc——柱状图
# plotTree.plotAUCbar(auc_list.__len__(),auc_list)
# 选取AUC高的决策数形成新的森林(auc优化)
newTempForest = auc_optimization(auc_list, trees_num, myRF.trees)
# 相似度优化
myRF.trees = similarity_optimization(newTempForest, same_value, same_rate)
print('优化后Tree_number: ', myRF.trees.__len__())
# 测试评估
acc = myRF.accuracy_metric(testdata[:-1])
# print('优化后模型准确率：', acc, '%')
print('myRF1_模型准确率：', acc, '%')
# 画出某棵树用以可视化观察（这里是第一棵树）
# plotTree.creatPlot(myRF.trees[0], features)