R语言︱随机森林算法

笔者寄语：有一篇《有监督学习选择深度学习还是随机森林或支持向量机?》（作者Bio：SebastianRaschka）中提到，在日常机器学习工作或学习中，当我们遇到有监督学习相关问题时，不妨考虑下先用简单的假设空间（简单模型集合），例如线性模型逻辑回归。若效果不好，也即并没达到你的预期或评判效果基准时，再进行下换其他更复杂模型来实验。

——————————————————————————————————————————————

一、随机森林理论介绍

1.1 优缺点

优点。

(1)不必担心过度拟合；

(2)适用于数据集中存在大量未知特征；

(3)能够估计哪个特征在分类中更重要；

(4)具有很好的抗噪声能力；

(5)算法容易理解；

(6)可以并行处理。

缺点。

（1）对小量数据集和低维数据集的分类不一定可以得到很好的效果。

（2）执行速度虽然比Boosting等快，但是比单个的决策树慢很多。

（3）可能会出现一些差异度非常小的树，淹没了一些正确的决策。

1.2 生成步骤介绍

1、从原始训练数据集中，应用bootstrap方法有放回地随机抽取k个新的自助样本集，并由此构建k棵分类回归树，每次未被抽到的样本组成了Ｋ个袋外数据（out-of-bag,BBB）。

2、设有n 个特征，则在每一棵树的每个节点处随机抽取mtry 个特征，通过计算每个特征蕴含的信息量，特征中选择一个最具有分类能力的特征进行节点分裂。

3、每棵树最大限度地生长， 不做任何剪裁

4、将生成的多棵树组成随机森林， 用随机森林对新的数据进行分类， 分类结果按树分类器投票多少而定。

1.3 随机森林与SVM的比较

（1）不需要调节过多的参数，因为随机森林只需要调节树的数量，而且树的数量一般是越多越好，而其他机器学习算法，比如SVM，有非常多超参数需要调整，如选择最合适的核函数，正则惩罚等。

（2）分类较为简单、直接。随机深林和支持向量机都是非参数模型（复杂度随着训练模型样本的增加而增大）。相较于一般线性模型，就计算消耗来看，训练非参数模型因此更为耗时耗力。分类树越多，需要更耗时来构建随机森林模型。同样，我们训练出来的支持向量机有很多支持向量，最坏情况为，我们训练集有多少实例，就有多少支持向量。虽然，我们可以使用多类支持向量机，但传统多类分类问题的执行一般是one-vs-all（所谓one-vs-all 就是将binary分类的方法应用到多类分类中。比如我想分成K类，那么就将其中一类作为positive），因此我们还是需要为每个类训练一个支持向量机。相反，决策树与随机深林则可以毫无压力解决多类问题。

（3）比较容易入手实践。随机森林在训练模型上要更为简单。你很容易可以得到一个又好且具鲁棒性的模型。随机森林模型的复杂度与训练样本和树成正比。支持向量机则需要我们在调参方面做些工作，除此之外，计算成本会随着类增加呈线性增长。

（4）小数据上，SVM优异，而随机森林对数据需求较大。就经验来说，我更愿意认为支持向量机在存在较少极值的小数据集上具有优势。随机森林则需要更多数据但一般可以得到非常好的且具有鲁棒性的模型。

1.5 随机森林与深度学习的比较

深度学习需要比随机森林更大的模型来拟合模型，往往，深度学习算法需要耗时更大，相比于诸如随机森林和支持向量机那样的现成分类器，安装配置好一个神经网络模型来使用深度学习算法的过程则更为乏味。

但不可否认，深度学习在更为复杂问题上，如图片分类，自然语言处理，语音识别方面更具优势。

另外一个优势为你不需要太关注特征工程相关工作。实际上，至于如何选择分类器取决于你的数据量和问题的一般复杂性（和你要求的效果）。这也是你作为机器学习从业者逐步会获得的经验。

可参考论文《An Empirical Comparison of Supervised Learning Algorithms》。

——————————————————————————————————————————————

二、随机森林重要性度量指标——重要性评分、Gini指数

（1）重要性评分

定义为袋外数据自变量值发生轻微扰动后的分类正确率与扰动前分类正确率的平均减少量。

（1）：对于每棵决策树，利用袋外数据进行预测，将袋外数据的预测误差将记录下来。其每棵树的误差是：vote1，vote2····，voteb；

（2）：随机变换每个预测变量，从而形成新的袋外数据，再利用袋外数据进行验证，其每个变量的误差是：vote11，vote12，···，vote1b。

（3）：对于某预测变量来说，计算其重要性是变换后的预测误差与原来相比的差的均值。

r语言中代码：

rf <- randomForest(Species ~ ., data=a, ntree=100, proximity=TRUE,importance=TRUE)

（2）gini指数

gini指数表示节点的纯度，gini指数越大纯度越低。gini值平均降低量表示所有树的变量分割节点平均减小的不纯度。对于变量重要度衡量，步骤如同前面介绍，将变量数据打乱，gini指数变化的均值作为变量的重要程度度量。

gini(T)=1−∑j=1np2j

（3）重要性绘图函数——varImpPlot(rf)函数

——————————————————————————————————————————————

三、随机森林模型R语言实践

3.1 随机森林模型几点注意

模型中关于分类任务以及回归预测任务的区别：

随机森林模型，分类和回归预测的操作不同之处在于判断因变量的类型，如果因变量是因子则执行分类任务，如果因变量是连续性变量，则执行回归预测任务。

模型中关于数据结构的要求：

`randomForest`函数要求为数据框或者矩阵，需要原来的数据框调整为以每个词作为列名称（变量）的数据框。在文本挖掘的过程中，需要把词频（横向，long型数据）转化为变量（wide型纵向数据），可以用reshape2、data.table包来中dcast来实现。具体实战见博客：R语言︱监督算法式的情感分析笔记的4.1节。

3.2 模型拟合

本文以R语言中自带的数据集iris为例，以setosa为因变量，其他作为自变量进行模型拟合，由于setosa本身就是因子型，所以不用转换形式。

> data <- iris
> library(randomForest)
> system.time(Randommodel <- randomForest(Species ~ ., data=data,importance = TRUE, proximity = FALSE, ntree = 100))
用户 系统 流逝 
   0    0    0 
> print(Randommodel)

Call:
 randomForest(formula = Species ~ ., data = data, importance = TRUE,      proximity = FALSE, ntree = 100) 
               Type of random forest: classification
                     Number of trees: 100
No. of variables tried at each split: 2

        OOB estimate of  error rate: 3.33%
Confusion matrix:
           setosa versicolor virginica class.error
setosa         50          0         0        0.00
versicolor      0         47         3        0.06
virginica       0          2        48        0.04

代码解读：randomForset，执行建模，x参数设定自变量数据集，y参数设定因变量数据列，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（后面单独讨论），最后一句输出模型在训练集上的效果。

prInt输出模型在训练集上的效果，可以看出错误率为3.33%，维持在比较低的水平。

3.3 随机森林模型重要性检测

> importance(Randommodel,type=1)  #重要性评分
             MeanDecreaseAccuracy
Sepal.Length             4.720094
Sepal.Width              1.405924
Petal.Length            16.222059
Petal.Width             13.895115
> importance(Randommodel,type=2)  #Gini指数
             MeanDecreaseGini
Sepal.Length         9.484106
Sepal.Width          1.930289
Petal.Length        45.873386
Petal.Width         41.894352
> varImpPlot(Randommodel)         #可视化

利用iris数据，可以看到这四个变量的重要性排序是一样的。

3.4 模型的预测功能

predict中有多种参数，比如Nodes，Proximity，predict.all。

predict(object, newdata, type="response",
        norm.votes=TRUE, predict.all=FALSE, proximity=FALSE, nodes=FALSE,
        cutoff, ...)
#Nodes判断是否是终点。Proximity判断是否需要进行近邻测量。predict.all判断是否保留所有的预测器。

举例，以前面的随机森林模型进行建模。

predict.all会输出一个150*150的字符矩阵，代表每一颗树的150个预测值（前面预设了ntree=100）；

Nodes输出100颗树的节点情况。

prediction <- predict(Randommodel, data[,1:5],type="class")  #还有response回归类型

table(observed =data$Species,predicted=prediction) 

table输出混淆矩阵，注意table并不是需要把预测值以及实际值放在一个表格之中，只要顺序对上，用observed以及predicted直接调用也可以。