本文详细的介绍了随机森林的算法实现，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
随机森林算法介绍
算法介绍：
简单的说，随机森林就是用随机的方式建立一个森林，森林里面有很多的决策树，并且每棵树之间是没有关联的。得到一个森林后，当有一个新的样本输入，森林中的每一棵决策树会分别进行一下判断，进行类别归类（针对分类算法），最后比较一下被判定哪一类最多，就预测该样本为哪一类。
随机森林算法有两个主要环节：决策树的生长和投票过程。
决策树生长步骤：
- 从容量为N的原始训练样本数据中采取放回抽样方式(即bootstrap取样)随机抽取自助样本集，重复k（树的数目为k）次形成一个新的训练集N，以此生成一棵分类树；
- 每个自助样本集生长为单棵分类树，该自助样本集是单棵分类树的全部训练数据。设有M个输入特征，则在树的每个节点处从M个特征中随机挑选m(m
- 分类树为了达到低偏差和高差异而要充分生长，使每个节点的不纯度达到最小，不进行通常的剪枝操作。
投票过程：
随机森林采用Bagging方法生成多个决策树分类器。
基本思想：
- 给定一个弱学习算法和一个训练集，单个弱学习算法准确率不高，可以视为一个窄领域专家；
- 将该学习算法使用多次，得出预测函数序列，进行投票，将多个窄领域专家评估结果汇总，最后结果准确率将大幅提升。
随机森林的优点：
- 可以处理大量的输入变量;
- 对于很多种资料，可以产生高准确度的分类器;
- 可以在决定类别时，评估变量的重要性;
- 在建造森林时，可以在内部对于一般化后的误差产生不偏差的估计;
- 包含一个好方法可以估计遗失的资料，并且，如果有很大一部分的资料遗失，仍可以维持准确度;
- 提供一个实验方法，可以去侦测 variable interactions;
- 对于不平衡的分类资料集来说，可以平衡误差;
- 计算各例中的亲近度，对于数据挖掘、侦测偏离者（outlier）和将资料视觉化非常有用;
- 使用上述。可被延伸应用在未标记的资料上，这类资料通常是使用非监督式聚类。也可侦测偏离者和观看资料;
- 学习过程很快速。
缺点
- 随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟合;
- 对于有不同级别的属性的数据，级别划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的。
R语言实现
寻找最优参数mtry，即指定节点中用于二叉树的最佳变量个数
library("randomForest") n<-length(names(train_data)) #计算数据集中自变量个数，等同n=ncol(train_data) rate=1 #设置模型误判率向量初始值 for(i in 1:(n-1)){ set.seed(1234) rf_train<-randomForest(as.factor(train_data$IS_LIUSHI)~.,data=train_data,mtry=i,ntree=1000) rate[i]<-mean(rf_train$err.rate) #计算基于OOB数据的模型误判率均值 print(rf_train) } rate #展示所有模型误判率的均值 plot(rate) 寻找最佳参数ntree，即指定随机森林所包含的最佳决策树数目
set.seed(100) rf_train<-randomForest(as.factor(train_data$IS_LIUSHI)~.,data=train_data,mtry=12,ntree=1000) plot(rf_train) #绘制模型误差与决策树数量关系图 legend(800,0.02,"IS_LIUSHI=0",cex=0.9,bty="n") legend(800,0.0245,"total",cex=0.09,bty="n")
随机森林模型搭建
set.seed(100) rf_train<-randomForest(as.factor(train_data$IS_LIUSHI)~.,data=train_data,mtry=12,ntree=400,importance=TRUE,proximity=TRUE)
- importance设定是否输出因变量在模型中的重要性，如果移除某个变量，模型方差增加的比例是它判断变量重要性的标准之一；
- proximity参数用于设定是否计算模型的临近矩阵；
- ntree用于设定随机森林的树数。
输出变量重要性:分别从精确度递减和均方误差递减的角度来衡量重要程度。
importance<-importance(rf_train) write.csv(importance,file="E:/模型搭建/importance.csv",row.names=T,quote=F) barplot(rf_train$importance[,1],main="输入变量重要性测度指标柱形图") box()
提取随机森林模型中以准确率递减方法得到维度重要性值。type=2为基尼系数方法
importance(rf_train,type=1) varImpPlot(x=rf_train,sort=TRUE,n.var=nrow(rf_train$importance),main="输入变量重要性测度散点图")
信息展示
print(rf_train) #展示随机森林模型简要信息 hist(treesize(rf_train)) #展示随机森林模型中每棵决策树的节点数 max(treesize(rf_train));min(treesize(rf_train)) MDSplot(rf_train,train_data$IS_OFF_USER,palette=rep(1,2),pch=as.numeric(train_data$IS_LIUSHI)) #展示数据集在二维情况下各类别的具体分布情况
检测
pred<-predict(rf_train,newdata=test_data) pred_out_1<-predict(object=rf_train,newdata=test_data,type="prob") #输出概率 table <- table(pred,test_data$IS_LIUSHI) sum(diag(table))/sum(table) #预测准确率 plot(margin(rf_train,test_data$IS_LIUSHI),main=观测值被判断正确的概率图)
randomForest包可以实现随机森林算法的应用，主要涉及5个重要函数，语法和参数请见下
1:randomForest()函数用于构建随
以上就是R语言实现随机森林的方法示例的详细内容，更多请关注0133技术站其它相关文章！
