详细讲解R包randomForestSRC实现筛选变量（随机森林）

随机森林是一种基于决策树（decision tree）的集成学习方法，通过随机选择特征和样本来构建多个决策树，并通过投票或平均等方式综合这些决策树的结果来进行分类或回归。

（1）生存、回归和分类的快速统一随机森林（RF-SRC）。用于训练随机森林模型。森林类型包括：连续变量的回归森林，分类变量的分类森林、分类变量和连续变量的多元森林以及生存森林、竞争风险森林等。节点分列：由选项splitrule指定，通过设置splitrule="random"来使用纯随机拆分。rfsrchttp://127.0.0.1:10345/library/randomForestSRC/help/rfsrc

（2）使用子抽样的快速近似随机森林。rfsrc.fasthttp://127.0.0.1:10345/library/randomForestSRC/help/rfsrc.fast

（3）用于训练和测试的单变量和多变量分位数回归森林。

quantreg.rfsrchttp://127.0.0.1:10345/library/randomForestSRC/help/quantreg.rfsrcquantreghttp://127.0.0.1:10345/library/randomForestSRC/help/quantreg

（4）使用训练后的森林获取预测值。predict.rfsrchttp://127.0.0.1:10345/library/randomForestSRC/help/predict.rfsrc（5）使用 SID（交错交互数据）对无监督数据进行聚类sidClustering.rfsrchttp://127.0.0.1:10345/library/randomForestSRC/help/sidClustering.rfsrc（6）用于变量选择：

vimp通过增加变量噪声（例如通过排列）从 RF-SRC 增长/预测对象计算变量重要性（VIMP）。

vimp