[머신 러닝] 랜덤 포레스트 (Random forest)

결정 트리와 앙상블

결정 트리는 이상적인 머신 러닝 모델이 되기에는 부정확합니다.

 

하지만 결정 트리를 응용하면 성능이 좋은 다른 모델들을 만들 수 있습니다.

 

결정 트리를 응용하는 대표적인 방법 중 하나는 앙상블(ensemble)이라는 방법이 있습니다.
앙상블은 하나의 모델을 쓰는 대신 수많은 모델들을 이용해서 예측을 한 후
여러 예측들을 합쳐서 종합적인 판단을 하는 것입니다.

랜덤 포레스트

랜덤 포레스트는 트리 앙상블 알고리즘 중 하나입니다.
랜덤 포레스트는 수많은 결정 트리를 임의로 만들고 다수결 투표로 결과를 종합하는 알고리즘입니다.

 

랜덤 포레스트에서 임의성을 더하는 요소에는 아래 두가지가 더 있습니다.

Bootstrapping

Bootstrapping은 갖고 있는 데이터 셋을 이용해서 조금 다른 데이터 셋을 만들어내는 방법입니다.

 

원래 데이터 셋에서 임의로 데이터들을 골라서 새로운 데이터들을 만듭니다.
이 때, 그냥 조금 다른 새로운 데이터 셋을 만드는 것이 목적이므로 중복은 신경쓰지 않습니다.

 

이렇게 만든 데이터 셋을 Bootstrap 데이터 셋이라고 합니다.
모든 모델을 정확히 똑같은 데이터 셋으로 학습시키면 결과의 다양성이 떨어질 수 있는데,
Bootstrap 데이터셋을 이용해 각 모델을 서로 다른 데이터 셋으로 학습시켜서 이 문제를 해결할 수 있습니다.

 

이렇게 Bootstrap 데이터 셋을 만들어내고 모델들의 결정을 종합해서 예측하는 앙상블 기법을
Bootstrap aggregating, 줄여서는 Bagging이라고 합니다.

결정 트리를 만드는 과정

결정 트리를 만들 때,
앞선 포스트에서는 모든 속성들을 이용한 노드들의 지니 불순도를 구하고 가장 낮은 노드를 선택했지만,
랜덤 포레스트를 만들 때에는 임의성을 더하기 위해서 모든 속성 중 임의로 몇 개를 고른 후에
그 속성들을 이용하는 질문들 중 더 좋은 것을 선택합니다.

 

이렇게 매 노드를 만들 때 어느 정도는 임의성이 들어가기 때문에 수많은 서로 다른 결정 트리들이 나올 수 있습니다.

 

이런식으로 두 가지 임의성을 더해 엄청 많은 결정 트리들을 임의로 만드는 것이 랜덤 포레스트입니다.
랜덤 포레스트를 이용해서 예측할 때에는 데이터를 랜덤 포레스트의 각 결정 트리에 각각 넣어준 후
각 결정 트리가 결정하는 것을 바탕으로 다수결 투표로 결과를 도출해냅니다.

scikit-learn으로 랜덤 포레스트 사용하기

그런데 여기서, 랜덤 포레스트를 사용했지만 앞서 그냥 결정 트리 하나를 사용했을 때와
점수가 같은 것을 알 수 있습니다.
이에 대한 이유가 궁금하시다면 여기를 참고하세요.