【コード付】ランダムフォレストについてわかりやすく解説

こんにちは！ぼりたそです！

今回は、機械学習の代表的なアルゴリズムのひとつ 「ランダムフォレスト」 について、初心者にもわかりやすく解説していきます。

この記事では、以下のポイントを中心にまとめています。

Point

ランダムフォレストとは？
　
ランダムフォレストのメリットデメリット
　
Pythonで実行

さらに、CSVデータを使って回帰モデルを構築するPythonコードも紹介していますので、実践的に学びたい方は以下の記事も合わせてご覧ください。

合わせて読みたい

それでは詳細に説明していきます。

ランダムフォレストとは？
ランダムフォレストのメリット、デメリット
Pythonでの実行
終わりに

ランダムフォレストとは？

ランダムフォレスト（Random Forest） とは、複数の決定木を組み合わせて予測を行うアンサンブル学習の一手法です。

具体的には、以下のようなアルゴリズムになっています：

学習データからランダムにサンプリング（ブートストラップ法）して複数のデータセットを作成
　
各データセットに対して、特徴量をランダムに選びながら決定木を構築
　
各決定木の予測を集約して最終的な予測を行う
- 分類の場合：多数決でクラスを決定
- 回帰の場合：予測値の平均を算出

以下の記事で「決定木」そのものの仕組みについても解説していますので、合わせて読んでいただくと理解が深まります。

合わせて読みたい

ランダムフォレストのメリット、デメリット

次にランダムフォレストのメリット、デメリットについて紹介します。

以下が具体的なメリット、デメリットになります。

■メリット

高い予測性能
ランダムフォレストは複数の決定木を組み合わせることで、単一の決定木よりも高い予測性能を持ちます。そのため、複雑な関係やノイズが含まれるデータに対しても強力なモデルを構築できます。
　
過学習の軽減
ブートストラップサンプリングとランダムな特徴の選択により、ランダムフォレストは比較的過学習しにくい特徴があります。
　
特徴の重要度の評価
ランダムフォレストは、決定木と同様に各特徴の重要度を評価することができます。予測モデルの安定性も高いので、重要度評価の信頼性も高いです。

次にデメリットについて以下に示します。

■デメリット

計算コストが高い
ランダムフォレストは数百程度の決定木を構築するため、その分計算コストが高いです。
　
過学習に対しては頑健だが、適切な調整が必要
過学習には比較的強いですが、やはり適切なハイパーパラメータの調整が必要です。特に、木の深さや木の数などを適切に設定することが重要です。

以上がランダムフォレストのメリット、デメリットになります。
きちんとデメリットを把握しつつ使用しましょう！

Pythonでの実行

それでは、実際にPythonにてランダムフォレストを実行してみたいと思います。

ここでは、簡単な一次関数をもとにしたダミーデータを用いて、ランダムフォレストによる回帰モデルを構築してみます。

条件は以下の通りです。

関数：$y = 2x_1 + 3x_2 + 0x_3 + 4x_4 + 0x_5 + 5x_6 + 6x_7 + 7x_8 + \varepsilon$（$\varepsilon$ はノイズ項）
　
決定木の数：50個
　
予測値：ランダムに生成した10個のデータ

import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import r2_score
from sklearn.metrics import r2_score

def run_random_forest():
    # 修正されたダミーデータの生成
    np.random.seed(40)
    X = 10 * np.random.rand(100, 8)  # 0から10の範囲で100個生成
    y = 2 * X[:, 0] + 3 * X[:, 1] + 0 * X[:, 2] + 4 * X[:, 3] + 0 * X[:, 4] + 5 * X[:, 5] + 6 * X[:, 6] + 7 * X[:, 7] + np.random.randn(100)

    # ランダムフォレストモデルの作成と学習
    model = RandomForestRegressor(n_estimators=50, random_state=40)
    model.fit(X, y)

    # 予測データの生成（0から10の範囲に含まれる10点）
    new_data = 10 * np.random.rand(10, 8)
    predicted_values = model.predict(new_data)

    # 実際の関数で計算した値
    actual_values = 2 * new_data[:, 0] + 3 * new_data[:, 1] + 0 * new_data[:, 2] + 4 * new_data[:, 3] + 0 * new_data[:, 4] + 5 * new_data[:, 5] + 6 * new_data[:, 6] + 7 * new_data[:, 7]

    # プロット
    plt.scatter(predicted_values, actual_values, label='estimated_y vs actual_y', marker='o')
    plt.xlabel('estimated_y')
    plt.ylabel('actual_y')
    plt.legend()

    # R2値の計算と表示
    r2 = r2_score(actual_values, predicted_values)
    print(f"\nR2値: {r2}")

    # 変数の重要度の表示
    feature_importances = model.feature_importances_
    print("\n変数の重要度:")
    for i, importance in enumerate(feature_importances):
        print(f"x_{i + 1}: {importance}")


if __name__ == "__main__":
    run_random_forest()

#R2値: 0.7803982290284632

#変数の重要度:
#x_1: 0.07263404624483068
#x_2: 0.035408124359172184
#x_3: 0.021419053740529888
#x_4: 0.07561376445758594
#x_5: 0.017654683212067982
#x_6: 0.16925642086437118
#x_7: 0.1840405662624788
#x_8: 0.42397334085896343