快捷導(dǎo)航

R語言關(guān)于隨機(jī)森林算法的知識(shí)點(diǎn)詳解

更新時(shí)間：2021年05月13日 08:24:44 作者：w3cschool

在本篇文章里小編給大家整理的是一篇關(guān)于R語言關(guān)于隨機(jī)森林算法的知識(shí)點(diǎn)詳解內(nèi)容，有興趣的朋友們可以跟著學(xué)習(xí)下。

在隨機(jī)森林方法中，創(chuàng)建大量的決策樹。每個(gè)觀察被饋入每個(gè)決策樹。每個(gè)觀察的最常見的結(jié)果被用作最終輸出。新的觀察結(jié)果被饋入所有的樹并且對(duì)每個(gè)分類模型取多數(shù)投票。

對(duì)構(gòu)建樹時(shí)未使用的情況進(jìn)行錯(cuò)誤估計(jì)。這稱為OOB（袋外）誤差估計(jì)，其被提及為百分比。

R語言包“randomForest”用于創(chuàng)建隨機(jī)森林。

安裝R包

在R語言控制臺(tái)中使用以下命令安裝軟件包。您還必須安裝相關(guān)軟件包（如果有）。

install.packages("randomForest")

包“randomForest”具有函數(shù)randomForest()，用于創(chuàng)建和分析隨機(jī)森林。

語法

在R語言中創(chuàng)建隨機(jī)森林的基本語法是

randomForest(formula, data)

以下是所使用的參數(shù)的描述

formula是描述預(yù)測(cè)變量和響應(yīng)變量的公式。
data是所使用的數(shù)據(jù)集的名稱。

輸入數(shù)據(jù)

我們將使用名為readingSkills的R語言內(nèi)置數(shù)據(jù)集來創(chuàng)建決策樹。它描述了某人的readingSkills的分?jǐn)?shù)，如果我們知道變量“age”，“shoesize”，“score”，以及該人是否是母語。

以下是示例數(shù)據(jù)。

# Load the party package. It will automatically load other required packages.
library(party)

# Print some records from data set readingSkills.
print(head(readingSkills))

當(dāng)我們執(zhí)行上面的代碼，它產(chǎn)生以下結(jié)果及圖表

  nativeSpeaker   age   shoeSize      score
1           yes     5   24.83189   32.29385
2           yes     6   25.95238   36.63105
3            no    11   30.42170   49.60593
4           yes     7   28.66450   40.28456
5           yes    11   31.88207   55.46085
6           yes    10   30.07843   52.83124
Loading required package: methods
Loading required package: grid
...............................
...............................

例

我們將使用randomForest()函數(shù)來創(chuàng)建決策樹并查看它的圖。

# Load the party package. It will automatically load other required packages.
library(party)
library(randomForest)

# Create the forest.
output.forest <- randomForest(nativeSpeaker ~ age + shoeSize + score, 
           data = readingSkills)

# View the forest results.
print(output.forest) 

# Importance of each predictor.
print(importance(fit,type = 2))

當(dāng)我們執(zhí)行上面的代碼，它產(chǎn)生以下結(jié)果

Call:
 randomForest(formula = nativeSpeaker ~ age + shoeSize + score,     
                 data = readingSkills)
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 1

        OOB estimate of  error rate: 1%
Confusion matrix:
    no yes class.error
no  99   1        0.01
yes  1  99        0.01
         MeanDecreaseGini
age              13.95406
shoeSize         18.91006
score            56.73051