深森林 (DF) 21

|github|_ |readthedocs|_ |codecov|_ |python|_ |pypi|_ |style|_

.. |github| image:: https://github.com/LAMDA-NJU/Deep-Forest/workflows/DeepForest-CI/badge.svg .. _github: https://github.com/LAMDA-NJU/Deep-Forest/actions

.. |readthedocs| image:: https://readthedocs.org/projects/deep-forest/badge/?version=latest .. _readthedocs: https://deep-forest.readthedocs.io

.. |codecov| image:: https://codecov.io/gh/LAMDA-NJU/Deep-Forest/branch/master/graph/badge.svg?token=5BVXOT8RPO .. _codecov: https://codecov.io/gh/LAMDA-NJU/Deep-Forest

.. |python| image:: https://img.shields.io/pypi/pyversions/deep-forest .. _python: https://pypi.org/project/deep-forest/

.. |pypi| image:: https://img.shields.io/pypi/v/deep-forest?color=blue .. _pypi: https://pypi.org/project/deep-forest/

.. |style| image:: https://img.shields.io/badge/code%20style-black-000000.svg .. _style: https://github.com/psf/black

DF21 是 Deep Forest <https://arxiv.org/pdf/1702.08835.pdf>__ 2021年2月1日版本的实现。它具有以下优势：

• 强大：比现有的基于树的集成方法具有更高的准确性。
• 易用：无需过多调参。
• 高效：训练速度快，效率高。
• 可扩展：能够处理大规模数据。

DF21 为随机森林或 GBDT 等基于树的机器学习算法提供了一种有效且强大的选择。

如需快速入门，请参阅 如何开始使用 <https://deep-forest.readthedocs.io/en/latest/how_to_get_started.html>。有关参数调优的详细指南，请参阅 参数调优 <https://deep-forest.readthedocs.io/en/latest/parameters_tunning.html>。

DF21 针对基于树的集成方法擅长处理的任务（即表格数据）进行了优化。如果您希望利用多粒度扫描部分更好地处理图像等结构化数据，请参阅 原始实现 <https://github.com/kingfengji/gcForest>__ 以获取更多详情。

安装

DF21 可以通过 Python 的包管理工具 PyPI <https://pypi.org/project/deep-forest/>__ 使用 pip 安装。您可以使用 pip 从 Python 包索引及其他索引中安装软件包。有关 pip 的文档，请参阅 此处 <https://pypi.org/project/pip/>__。使用以下命令即可下载 DF21：

.. code-block:: bash

pip install deep-forest

快速入门

分类

---

.. code-block:: python

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

from deepforest import CascadeForestClassifier

X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
model = CascadeForestClassifier(random_state=1)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred) * 100
print("\n测试准确率：{:.3f}%".format(acc))
>>> 测试准确率：98.667%

回归

---

.. code-block:: python

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

from deepforest import CascadeForestRegressor

X, y = load_boston(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
model = CascadeForestRegressor(random_state=1)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("\n测试均方误差：{:.3f}".format(mse))
>>> 测试均方误差：8.068

资源

• 文档 <https://deep-forest.readthedocs.io/>__
• Deep Forest：[会议] <https://www.ijcai.org/proceedings/2017/0497.pdf>__ | [期刊] <https://academic.oup.com/nsr/article-pdf/6/1/74/30336169/nwy108.pdf>__
• AISTATS 2019 主题演讲：[幻灯片] <https://aistats.org/aistats2019/0-AISTATS2019-slides-zhi-hua_zhou.pdf>__

参考文献

.. code-block:: latex

@article{zhou2019deep,
    title={Deep forest},
    author={Zhi-Hua Zhou and Ji Feng},
    journal={National Science Review},
    volume={6},
    number={1},
    pages={74--86},
    year={2019}}

@inproceedings{zhou2017deep,
    title = {{Deep Forest:} Towards an alternative to deep neural networks},
    author = {Zhi-Hua Zhou and Ji Feng},
    booktitle = {IJCAI},
    pages = {3553--3559},
    year = {2017}}

感谢所有贡献者

|contributors|

.. |contributors| image:: https://contributors-img.web.app/image?repo=LAMDA-NJU/Deep-Forest .. _contributors: https://github.com/LAMDA-NJU/Deep-Forest/graphs/contributors

Deep-Forest (DF21) 快速上手指南

Deep Forest (DF21) 是周志华教授团队提出的深度森林算法的 2021 年优化版本。相比传统的随机森林或 GBDT，它在表格数据上具有更高的准确率，且参数调节更简单、训练效率更高。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：支持 Python 3.x（具体兼容版本请参考 PyPI 页面）
• 前置依赖：
  • pip (Python 包管理工具)
  • scikit-learn (Deep-Forest 基于 sklearn 接口构建)
  • numpy, scipy

提示：建议在使用前更新 pip 至最新版本，以确保安装顺利。

python -m pip install --upgrade pip

安装步骤

您可以直接通过 PyPI 使用 pip 进行安装。

标准安装

pip install deep-forest

国内加速安装（推荐）

如果您在中国大陆地区，建议使用国内镜像源以加快下载速度：

pip install deep-forest -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

Deep-Forest 提供了与 scikit-learn 高度一致的 API，主要分为分类器 (CascadeForestClassifier) 和回归器 (CascadeForestRegressor)。

1. 分类任务示例

以下示例使用手写数字数据集进行快速分类演示：

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

from deepforest import CascadeForestClassifier

# 加载数据
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

# 初始化并训练模型
model = CascadeForestClassifier(random_state=1)
model.fit(X_train, y_train)

# 预测与评估
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred) * 100
print("\nTesting Accuracy: {:.3f} %".format(acc))

预期输出：

Testing Accuracy: 98.667 %

2. 回归任务示例

以下示例使用波士顿房价数据集（注：新版 sklearn 可能需要手动加载或使用替代数据集，此处保留原文逻辑）进行回归演示：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

from deepforest import CascadeForestRegressor

# 加载数据
X, y = load_boston(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

# 初始化并训练模型
model = CascadeForestRegressor(random_state=1)
model.fit(X_train, y_train)

# 预测与评估
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("\nTesting MSE: {:.3f}".format(mse))

预期输出：

Testing MSE: 8.068

注意：DF21 专为表格数据（Tabular Data）优化。如果您需要处理图像等非结构化数据并使用多粒度扫描（Multi-Grained Scanning）功能，请参考原始的 gcForest 实现。