EN

InsideForest

InsideForest agrupa la geometría de decisión de un RandomForestClassifier en reglas y regiones legibles. Ahora admite bosques entrenados internamente o proporcionados por el usuario, por lo que puedes reutilizar ensambles ajustados que ya formen parte de tu pipeline.

Inicio rápido

from sklearn.datasets import load_iris
from sheshe import InsideForest

X, y = load_iris(return_X_y=True)
explorer = InsideForest()
explorer.fit(X, y)
region_labels = explorer.transform(X, mode="best")
summary = explorer.explain(top_k=5)

Usar un RandomForestClassifier entrenado por el usuario

El estimador acepta un bosque previo mediante el argumento random_forest de fit. El ejemplo replica el experimento que cronometra el dataset de vino.

from sklearn.datasets import load_wine
from sklearn.ensemble import RandomForestClassifier
from sheshe import InsideForest

X, y = load_wine(return_X_y=True)
bosque_usuario = RandomForestClassifier(
    n_estimators=200,
    min_samples_leaf=2,
    random_state=42,
    n_jobs=-1,
).fit(X, y)

explorer = InsideForest()
explorer.fit(X, y, random_forest=bosque_usuario)
print(len(explorer.get_rules()), "reglas")
print(len(explorer.get_regions()), "regiones")

Transformar muestras y listar todas las regiones

Los experimentos sobre digits evalúan tanto la mejor región como la lista completa de coberturas. El fragmento muestra cómo obtener todas las regiones que cubren cada observación.

from sklearn.datasets import load_digits
from sheshe import InsideForest

X, y = load_digits(return_X_y=True)
explorer = InsideForest()
explorer.fit(X, y)
all_regions = explorer.transform(X, mode="all")
first_sample_regions = all_regions[0]

Generar hipótesis contrastantes

La generación de hipótesis empareja regiones similares con grandes diferencias de pureza. El experimento de tiempo mide este paso para cada dataset.

from sklearn.datasets import load_iris
from sheshe import InsideForest

X, y = load_iris(return_X_y=True)
explorer = InsideForest()
explorer.fit(X, y)
hypotheses = explorer.generate_hypotheses(top_pairs=5)
for hypothesis in hypotheses:
    print(hypothesis["pair"], hypothesis["purity_delta"])

Diagnóstico de tiempos

Activa el parámetro verbose en fit, transform, explain o generate_hypotheses para registrar cuánto tarda cada etapa interna. Los valores recientes también quedan disponibles mediante get_last_timings(), que alimenta los experimentos descritos abajo.

explorer = InsideForest()
explorer.fit(X, y, verbose=1)
explorer.transform(X, mode="best", verbose=1)
print(explorer.get_last_timings()["fit"])

Experimentos de tiempo

El script experiments/inside_forest_runtime.py corre en Iris, Wine y Digits para comparar el entrenamiento interno contra la reutilización de un bosque ya entrenado. Ahora registra los tiempos por etapa expuestos por get_last_timings(), guarda los resultados en benchmark/inside_forest_runtime.csv e identifica los cuellos de botella.

dataset	modo	n_rules	n_regions	fit_time_s	fit_bottleneck	fit_bottleneck_time_s	fit_cluster_total_s	fit_extract_rules_s	fit_train_random_forest_s	transform_bottleneck	transform_bottleneck_time_s	hypotheses_bottleneck	hypotheses_bottleneck_time_s
iris	interno	724	159	5.47	cluster_total	4.67	4.67	0.045	0.76	select_best_region	0.0024	scan_pairs	0.25
iris	externo	724	159	4.51	cluster_total	4.47	4.47	0.043	0.00	select_best_region	0.0025	scan_pairs	0.24
wine	interno	842	214	15.03	cluster_total	14.24	14.24	0.055	0.74	points_in_regions	0.0038	scan_pairs	1.11
wine	externo	842	214	14.04	cluster_total	13.98	13.98	0.062	0.00	points_in_regions	0.0063	scan_pairs	0.94
digits	interno	8660	10	2.04	train_random_forest	0.90	0.35	0.80	0.89	select_best_region	0.026	scan_pairs	0.010
digits	externo	8660	10	1.07	extract_rules	0.78	0.29	0.78	0.00	select_best_region	0.022	scan_pairs	0.0099

En conjuntos pequeños domina la fase de agrupamiento de reglas, sobre todo el cálculo de Jaccard (cluster_total). Con los 8.6 mil rules de Digits el algoritmo recurre al fallback con KMeans: el modo interno dedica la mayor parte del tiempo al entrenamiento del bosque, mientras que el modo externo lo invierte en la extracción de reglas.