r语言随机森林_R语言 随机森林算法

在随机森林方法中，创建大量的决策树。每个观察被馈入每个决策树。每个观察的最常见的结果被用作最终输出。新的观察结果被馈入所有的树并且对每个分类模型取多数投票。

对构建树时未使用的情况进行错误估计。这称为OOB(袋外)误差估计，其被提及为百分比。

R语言包“randomForest”用于创建随机森林。

安装R包

在R语言控制台中使用以下命令安装软件包。您还必须安装相关软件包(如果有)。

install.packages("randomForest)

包“randomForest”具有函数randomForest()，用于创建和分析随机森林。

语法

在R语言中创建随机森林的基本语法是 -

randomForest(formula, data)

以下是所使用的参数的描述 - 

• formula是描述预测变量和响应变量的公式。

• data是所使用的数据集的名称。

输入数据

我们将使用名为readingSkills的R语言内置数据集来创建决策树。它描述了某人的readingSkills的分数，如果我们知道变量“age”，“shoesize”，“score”，以及该人是否是母语。

以下是示例数据。

# Load the party package. It will automatically load other required packages.library(party)# Print some records from data set readingSkills.print(head(readingSkills))

当我们执行上面的代码，它产生以下结果及图表 -

  nativeSpeaker   age   shoeSize      score1           yes     5   24.83189   32.293852           yes     6   25.95238   36.631053            no    11   30.42170   49.605934           yes     7   28.66450   40.284565           yes    11   31.88207   55.460856           yes    10   30.07843   52.83124Loading required package: methodsLoading required package: grid..............................................................

例

我们将使用randomForest()函数来创建决策树并查看它的图。

# Load the party package. It will automatically load other required packages.library(party)library(randomForest)# Create the forest.output.forest            data = readingSkills)# View the forest results.print(output.forest)# Importance of each predictor.print(importance(fit,type = 2))

当我们执行上面的代码，它产生以下结果 -

Call: randomForest(formula = nativeSpeaker ~ age + shoeSize + score,                 data = readingSkills)               Type of random forest: classification                     Number of trees: 500No. of variables tried at each split: 1        OOB estimate of  error rate: 1%Confusion matrix:    no yes class.errorno  99   1        0.01yes  1  99        0.01         MeanDecreaseGiniage              13.95406shoeSize         18.91006score            56.73051

结论

从上面显示的随机森林，我们可以得出结论，鞋码和成绩是决定如果某人是母语者或不是母语的重要因素。此外，该模型只有1%的误差，这意味着我们可以预测精度为99%。