【入門】Random Forest と Isolation Forest とは

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# データセットを取得
X, y = make_classification(n_samples=1000, n_features=2, 
                        n_informative=2, n_redundant=0,
                        random_state=0, shuffle=False)

# データセットの特徴量Xと正解ラベルyを訓練データとテストデータに分ける
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0) 
        
# ランダムフォレストで学習
clf = RandomForestClassifier(n_estimators=100, random_state=0).fit(X_train, y_train) 

print("予測精度=", clf.score(X_test, y_test)) #テスト用のデータを使って学習器の精度を測る
print("予測結果の詳細\n", clf.predict(X_test)==y_test) #予測結果の正誤を確認

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 予測の境界線をプロットし可視化
def plot_decision_boundary(model, X, y, margin=0.3): 
        _x1 = np.linspace(X[:, 0].min()-margin, X[:, 0].max()+margin, 100) # 0次元目の最小、最大の１００分割
        _x2 = np.linspace(X[:, 1].min()-margin, X[:, 1].max()+margin, 100) # 1次元目の最小、最大の１００分割
        x1, x2 = np.meshgrid(_x1, _x2)
        X_new = np.c_[x1.ravel(), x2.ravel()]
        y_pred = model.predict(X_new).reshape(x1.shape) # 予測結果
        custom_cmap = ListedColormap(['mediumblue', 'orangered']) # 色の指定
        plt.contourf(x1, x2, y_pred, alpha=0.3, cmap=custom_cmap) # 等高線で境界線を引く

# データセットを取得
X, y = make_classification(n_samples=1000, n_features=2, 
                        n_informative=2, n_redundant=0,
                        random_state=0, shuffle=False)

# データセットの特徴量Xと正解ラベルyを訓練データとテストデータに分ける
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0) 
        
# ランダムフォレストで学習
clf = RandomForestClassifier(n_estimators=100, random_state=0).fit(X_train, y_train) 

plot_decision_boundary(clf, X, y) # 学習結果を可視化
plt.plot(X[:, 0][y==0], X[:, 1][y==0], 'bo', ms=10) # クラス0 のデータを可視化
plt.plot(X[:, 0][y==1], X[:, 1][y==1], "r^", ms=10) # クラス１ のデータを可視化

from sklearn.ensemble import IsolationForest
from sklearn.datasets import make_moons

moons = make_moons(n_samples=200, noise=0.05, random_state=0) #学習データ
X_test = np.array([[1, -0.5],[2,1]]) # テスト用データ

# Isolation Forest で学習
clf = IsolationForest(n_estimators=100, random_state=0).fit(moons[0]) 

print("予測結果\n", clf.predict(X_test)) #１なら正常値、−１なら異常値
plt.plot(moons[0][:, 0], moons[0][:, 1],'o') # 学習用のデータを可視化
plt.plot(X_test[:,0], X_test[:,1], '*', ms=15) # テスト用データの可視化

予測結果
 [ 1 -1]