随机森林算法 4 种实现方法对比测试：DolphinDB 速度最快，XGBoost 表现最差

随机森林是常用的机器学习算法，既可以用于分类问题，也可用于回归问题。本文对 scikit-learn、Spark MLlib、DolphinDB、XGBoost 四个平台的随机森林算法实现进行对比测试。评价指标包括内存占用、运行速度和分类准确性。本次测试使用模拟生成的数据作为输入进行二分类训练，并用生成的模型对模拟数据进行预测。

1. 测试软件

本次测试使用的各平台版本如下：

scikit-learn：Python 3.7.1，scikit-learn 0.20.2

Spark MLlib：Spark 2.0.2，Hadoop 2.7.2

DolphinDB：0.82

XGBoost：Python package，0.81

2. 环境配置

CPU：Intel® Xeon® CPU E5-2650 v4 2.20GHz（共 24 核 48 线程）

RAM：512GB

操作系统：CentOS Linux release 7.5.1804

在各平台上进行测试时，都会把数据加载到内存中再进行计算，因此随机森林算法的性能与磁盘无关。

3. 数据生成

本次测试使用 DolphinDB 脚本产生模拟数据，并导出为 CSV 文件。训练集平均分成两类，每个类别的特征列分别服从两个中心不同，标准差相同，且两两独立的多元正态分布 N(0, 1) 和 N(2/sqrt(20), 1)。训练集中没有空值。

假设训练集的大小为 n 行 p 列。本次测试中 n 的取值为 10,000、100,000、1,000,000，p 的取值为 50。

由于测试集和训练集独立同分布，测试集的大小对模型准确性评估没有显著影响。本次测试对于所有不同大小的训练集都采用 1000 行的模拟数据作为测试集。

产生模拟数据的 DolphinDB 脚本见附录 1。

4. 模型参数

在各个平台中都采用以下参数进行随机森林模型训练：

• 树的棵数：500
• 最大深度：分别在 4 个平台中测试了最大深度为 10 和 30 两种情况
• 划分节点时选取的特征数：总特征数的平方根，即 integer(sqrt(50))=7
• 划分节点时的不纯度（Impurity）指标：基尼指数（Gini index），该参数仅对 Python scikit-learn、Spark MLlib 和 DolphinDB 有效
• 采样的桶数：32，该参数仅对 Spark MLlib 和 DolphinDB 有效
• 并发任务数：CPU 线程数，Python scikit-learn、Spark MLlib 和 DolphinDB 取 48，XGBoost 取 24。

在测试 XGBoost 时，尝试了参数 nthread（表示运行时的并发线程数）的不同取值。但当该参数取值为本次测试环境的线程数（48）时，性能并不理想。进一步观察到，在线程数小于 10 时，性能与取值成正相关。在线程数大于 10 小于 24 时，不同取值的性能差异不明显，此后，线程数增加时性能反而下降。该现象在 XGBoost 社区中也有人讨论过。因此，本次测试在 XGBoost 中最终使用的线程数为 24。

5. 测试结果

测试脚本见附录 2~5。

当树的数量为 500，最大深度为 10 时，测试结果如下表所示：

当树的数量为 500，最大深度为 30 时，测试结果如下表所示：

从准确率上看，Python scikit-learn、Spark MLlib 和 DolphinDB 的准确率比较相近，略高于 XGBoost 的实现；从性能上看，从高到低依次为 DolphinDB、Python scikit-learn、XGBoost、Spark MLlib。

在本次测试中，Python scikit-learn 的实现使用了所有 CPU 核。

Spark MLlib 的实现没有充分使用所有 CPU 核，内存占用最高，当数据量为 10,000 时，CPU 峰值占用率约 8%，当数据量为 100,000 时，CPU 峰值占用率约为 25%，当数据量为 1,000,000 时，它会因为内存不足而中断执行。

DolphinDB 的实现使用了所有 CPU 核，并且它是所有实现中速度最快的，但内存占用是 scikit-learn 的 2-7 倍，是 XGBoost 的 3-9 倍。DolphinDB 的随机森林算法实现提供了 numJobs 参数，可以通过调整该参数来降低并行度，从而减少内存占用。详情请参考 DolphinDB 用户手册 。

XGBoost 常用于 boosted trees 的训练，也能进行随机森林算法。它是算法迭代次数为 1 时的特例。XGBoost 实际上在 24 线程左右时性能最高，其对 CPU 线程的利用率不如 Python 和 DolphinDB，速度也不及两者。其优势在于内存占用最少。另外，XGBoost 的具体实现也和其他平台的实现有所差异。例如，没有 bootstrap 这一过程，对数据使用无放回抽样而不是有放回抽样。这可以解释为何它的准确率略低于其它平台。

6. 总结

Python scikit-learn 的随机森林算法实现在性能、内存开销和准确率上的表现比较均衡，Spark MLlib 的实现在性能和内存开销上的表现远远不如其他平台。DolphinDB 的随机森林算法实现性能最优，并且 DolphinDB 的随机森林算法和数据库是无缝集成的，用户可以直接对数据库中的数据进行训练和预测，并且提供了 numJobs 参数，实现内存和速度之间的平衡。而 XGBoost 的随机森林只是迭代次数为 1 时的特例，具体实现和其他平台差异较大，最佳的应用场景为 boosted tree。

附录

1. 模拟生成数据的 DolphinDB 脚本

 复制代码

def genNormVec(cls,a,stdev,n){
return norm(cls*a, stdev, n)
}

def genNormData(dataSize,colSize,clsNum,scale,stdev){
t = table(dataSize:0, `cls join ("col"+string(0..(colSize-1))), INT join take(DOUBLE,colSize))
classStat = groupby(count,1..dataSize, rand(clsNum, dataSize))
for(rowinclassStat){
cls = row.groupingKey
classSize = row.count
cols =[take(cls,classSize)]
for (iin0:colSize)
cols.append!(genNormVec(cls,scale,stdev,classSize))
tmp = table(dataSize:0, `cls join ("col"+string(0..(colSize-1))), INT join take(DOUBLE,colSize))
insert into t values (cols)
cols = NULL
tmp = NULL
}
return t
}

colSize =50
clsNum =2
t1m = genNormData(10000,colSize,clsNum, 2/sqrt(20),1.0)
saveText(t1m,"t10k.csv")
t10m = genNormData(100000,colSize,clsNum, 2/sqrt(20),1.0)
saveText(t10m,"t100k.csv")
t100m = genNormData(1000000,colSize,clsNum, 2/sqrt(20),1.0)
saveText(t100m,"t1m.csv")
t1000 = genNormData(1000,colSize,clsNum, 2/sqrt(20),1.0)
saveText(t1000,"t1000.csv")

2.Python scikit-learn 的训练和预测脚本

 复制代码

importpandas as pd
importnumpy as np
from sklearn.ensembleimportRandomForestClassifier, RandomForestRegressor
from timeimport*

test_df= pd.read_csv("t1000.csv")

def evaluate(path, model_name,num_trees=500,depth=30,num_jobs=1):
df= pd.read_csv(path)
y= df.values[:,0]
x= df.values[:,1:]

test_y= test_df.values[:,0]
test_x= test_df.values[:,1:]

rf= RandomForestClassifier(n_estimators=num_trees,max_depth=depth,n_jobs=num_jobs)
start= time()
rf.fit(x, y)
end= time()
elapsed= end - start
print("Time to train model %s: %.9f seconds"% (model_name, elapsed))

acc= np.mean(test_y== rf.predict(test_x))
print("Model %s accuracy: %.3f"% (model_name, acc))

evaluate("t10k.csv","10k",500,10,48)# choose your own parameter

3.Spark MLlib 的训练和预测代码

 复制代码

importorg.apache.spark.mllib.tree.configuration.FeatureType.Continuous
import org.apache.spark.mllib.tree.model.{DecisionTreeModel, Node}
{1}
object Rf {
def main(args: Array[String]) = {
evaluate("/t100k.csv", 500, 10) // choose your own parameter
}

def processCsv(row: Row) = {
val label = row.getString(0).toDouble
val featureArray = (for (i <- 1 to (row.size-1)) yield row.getString(i).toDouble).toArray
val features = Vectors.dense(featureArray)
LabeledPoint(label, features)
}

def evaluate(path: String, numTrees: Int, maxDepth: Int) = {
val spark = SparkSession.builder.appName("Rf").getOrCreate()
import spark.implicits._

val numClasses = 2
val categoricalFeaturesInfo = MapInt, Int
val featureSubsetStrategy = "sqrt"
val impurity = "gini"
val maxBins = 32

val d_test = spark.read.format("CSV").option("header","true").load("/t1000.csv").map(processCsv).rdd
d_test.cache()

println("Loading table (1M * 50)")
val d_train = spark.read.format("CSV").option("header","true").load(path).map(processCsv).rdd
d_train.cache()
println("Training table (1M * 50)")
val now = System.nanoTime
val model = RandomForest.trainClassifier(d_train, numClasses, categoricalFeaturesInfo,
numTrees, featureSubsetStrategy, impurity, maxDepth, maxBins)
println(( System.nanoTime- now )/1e9)

val scoreAndLabels = d_test.map{ point =>
val score = model.trees.map(tree => softPredict2(tree, point.features)).sum
if (score * 2 > model.numTrees)
(1.0, point.label)
else
(0.0, point.label)
}
val metrics = new MulticlassMetrics(scoreAndLabels)
println(metrics.accuracy)
}

def softPredict(node: Node, features: Vector): Double = {
if (node.isLeaf) {
//if (node.predict.predict== 1.0) node.predict.probelse 1.0 - node.predict.prob
node.predict.predict
} else {
if (node.split.get.featureType== Continuous) {
if (features(node.split.get.feature) <= node.split.get.threshold) {
softPredict(node.leftNode.get, features)
} else {
softPredict(node.rightNode.get, features)
}
} else {
if (node.split.get.categories.contains(features(node.split.get.feature))) {
softPredict(node.leftNode.get, features)
} else {
softPredict(node.rightNode.get, features)
}
}
}
}
def softPredict2(dt: DecisionTreeModel, features: Vector): Double = {
softPredict(dt.topNode, features)
}
}

4.DolphinDB 的训练和预测脚本

 复制代码

def createInMemorySEQTable(t,seqSize){
db = database("", SEQ, seqSize)
dataSize = t.size()
ts =()
for (iin0:seqSize) {
ts.append!(t[(i*(dataSize/seqSize)):((i+1)*(dataSize/seqSize))])
}
return db.createPartitionedTable(ts, `tb)
}

def accuracy(v1, v2) {
return (v1==v2).sum()\ v2.size()
}

def evaluateUnparitioned(filePath,numTrees,maxDepth,numJobs){
test = loadText("t1000.csv")
t = loadText(filePath); clsNum =2; colSize =50
timer res = randomForestClassifier(sqlDS(<select*fromt>), `cls, `col +string(0..(colSize-1)), clsNum, sqrt(colSize).int(), numTrees,32, maxDepth,0.0, numJobs)
print("Unpartitioned table accuracy = "+ accuracy(res.predict(test), test.cls).string())
}

evaluateUnpartitioned("t10k.csv", 500, 10, 48)// choose your own parameter

5.XGBoost 的训练和预测脚本

 复制代码

importpandasaspd
importnumpyasnp
importXGBoostasxgb
fromtimeimport*

def load_csv(path):
df = pd.read_csv(path)
target = df['cls']
df = df.drop(['cls'], axis=1)
returnxgb.DMatrix(df.values, label=target.values)

dtest = load_csv('/hdd/hdd1/twonormData/t1000.csv')

def evaluate(path, num_trees, max_depth, num_jobs):
dtrain = load_csv(path)
param = {'num_parallel_tree':num_trees,'max_depth':max_depth,'objective':'binary:logistic',
'nthread':num_jobs,'colsample_bylevel':1/np.sqrt(50)}
start =time()
model = xgb.train(param, dtrain,1)
end =time()
elapsed =end-start
print("Time to train model: %.9f seconds" % elapsed)
prediction = model.predict(dtest) >0.5
print("Accuracy = %.3f" % np.mean(prediction == dtest.get_label()))

evaluate('t10k.csv',500,10,24) // choose your own parameter

作者介绍

王一能，浙江智臾科技有限公司，重点关注大数据、时序数据库领域。

更多内容，请关注 AI 前线