R語言如何實(shí)現(xiàn)隨機(jī)森林

這篇文章主要為大家展示了“R語言如何實(shí)現(xiàn)隨機(jī)森林”，內(nèi)容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“R語言如何實(shí)現(xiàn)隨機(jī)森林”這篇文章吧。

隨機(jī)森林算法介紹

算法介紹：

簡單的說，隨機(jī)森林就是用隨機(jī)的方式建立一個(gè)森林，森林里面有很多的決策樹，并且每棵樹之間是沒有關(guān)聯(lián)的。得到一個(gè)森林后，當(dāng)有一個(gè)新的樣本輸入，森林中的每一棵決策樹會(huì)分別進(jìn)行一下判斷，進(jìn)行類別歸類（針對分類算法），最后比較一下被判定哪一類最多，就預(yù)測該樣本為哪一類。
隨機(jī)森林算法有兩個(gè)主要環(huán)節(jié)：決策樹的生長和投票過程。

決策樹生長步驟：

• 從容量為N的原始訓(xùn)練樣本數(shù)據(jù)中采取放回抽樣方式(即bootstrap取樣)隨機(jī)抽取自助樣本集，重復(fù)k（樹的數(shù)目為k）次形成一個(gè)新的訓(xùn)練集N，以此生成一棵分類樹；

• 每個(gè)自助樣本集生長為單棵分類樹，該自助樣本集是單棵分類樹的全部訓(xùn)練數(shù)據(jù)。設(shè)有M個(gè)輸入特征，則在樹的每個(gè)節(jié)點(diǎn)處從M個(gè)特征中隨機(jī)挑選m(m < M)個(gè)特征，按照節(jié)點(diǎn)不純度最小的原則從這m個(gè)特征中選出一個(gè)特征進(jìn)行分枝生長，然后再分別遞歸調(diào)用上述過程構(gòu)造各個(gè)分枝，直到這棵樹能準(zhǔn)確地分類訓(xùn)練集或所有屬性都已被使用過。在整個(gè)森林的生長過程中m將保持恒定；

• 分類樹為了達(dá)到低偏差和高差異而要充分生長，使每個(gè)節(jié)點(diǎn)的不純度達(dá)到最小，不進(jìn)行通常的剪枝操作。
  

投票過程：

隨機(jī)森林采用Bagging方法生成多個(gè)決策樹分類器。

基本思想：

• 給定一個(gè)弱學(xué)習(xí)算法和一個(gè)訓(xùn)練集，單個(gè)弱學(xué)習(xí)算法準(zhǔn)確率不高，可以視為一個(gè)窄領(lǐng)域?qū)＜遥?/p>

• 將該學(xué)習(xí)算法使用多次，得出預(yù)測函數(shù)序列，進(jìn)行投票，將多個(gè)窄領(lǐng)域?qū)＜以u估結(jié)果匯總，最后結(jié)果準(zhǔn)確率將大幅提升。

隨機(jī)森林的優(yōu)點(diǎn)：

• 可以處理大量的輸入變量;

• 對于很多種資料，可以產(chǎn)生高準(zhǔn)確度的分類器;

• 可以在決定類別時(shí)，評估變量的重要性;

• 在建造森林時(shí)，可以在內(nèi)部對于一般化后的誤差產(chǎn)生不偏差的估計(jì);

• 包含一個(gè)好方法可以估計(jì)遺失的資料，并且，如果有很大一部分的資料遺失，仍可以維持準(zhǔn)確度;

• 提供一個(gè)實(shí)驗(yàn)方法，可以去偵測 variable interactions;

• 對于不平衡的分類資料集來說，可以平衡誤差;

• 計(jì)算各例中的親近度，對于數(shù)據(jù)挖掘、偵測偏離者（outlier）和將資料視覺化非常有用;

• 使用上述?？杀谎由鞈?yīng)用在未標(biāo)記的資料上，這類資料通常是使用非監(jiān)督式聚類。也可偵測偏離者和觀看資料;

• 學(xué)習(xí)過程很快速。

缺點(diǎn)

• 隨機(jī)森林已經(jīng)被證明在某些噪音較大的分類或回歸問題上會(huì)過擬合;

• 對于有不同級別的屬性的數(shù)據(jù)，級別劃分較多的屬性會(huì)對隨機(jī)森林產(chǎn)生更大的影響，所以隨機(jī)森林在這種數(shù)據(jù)上產(chǎn)出的屬性權(quán)值是不可信的。
  

R語言實(shí)現(xiàn)

尋找最優(yōu)參數(shù)mtry，即指定節(jié)點(diǎn)中用于二叉樹的最佳變量個(gè)數(shù)

library("randomForest")
n<-length(names(train_data))     #計(jì)算數(shù)據(jù)集中自變量個(gè)數(shù)，等同n=ncol(train_data)
rate=1     #設(shè)置模型誤判率向量初始值

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)   #計(jì)算基于OOB數(shù)據(jù)的模型誤判率均值
  print(rf_train)    
}

rate     #展示所有模型誤判率的均值
plot(rate)

尋找最佳參數(shù)ntree，即指定隨機(jī)森林所包含的最佳決策樹數(shù)目

set.seed(100)
rf_train<-randomForest(as.factor(train_data$IS_LIUSHI)~.,data=train_data,mtry=12,ntree=1000)
plot(rf_train)    #繪制模型誤差與決策樹數(shù)量關(guān)系圖  
legend(800,0.02,"IS_LIUSHI=0",cex=0.9,bty="n")    
legend(800,0.0245,"total",cex=0.09,bty="n")

隨機(jī)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設(shè)定是否輸出因變量在模型中的重要性，如果移除某個(gè)變量，模型方差增加的比例是它判斷變量重要性的標(biāo)準(zhǔn)之一；

• proximity參數(shù)用于設(shè)定是否計(jì)算模型的臨近矩陣；

• ntree用于設(shè)定隨機(jī)森林的樹數(shù)。

輸出變量重要性:分別從精確度遞減和均方誤差遞減的角度來衡量重要程度。

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="輸入變量重要性測度指標(biāo)柱形圖")
box()

提取隨機(jī)森林模型中以準(zhǔn)確率遞減方法得到維度重要性值。type=2為基尼系數(shù)方法

importance(rf_train,type=1)
 
varImpPlot(x=rf_train,sort=TRUE,n.var=nrow(rf_train$importance),main="輸入變量重要性測度散點(diǎn)圖")

信息展示

print(rf_train)    #展示隨機(jī)森林模型簡要信息
hist(treesize(rf_train))   #展示隨機(jī)森林模型中每棵決策樹的節(jié)點(diǎn)數(shù)
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))    #展示數(shù)據(jù)集在二維情況下各類別的具體分布情況

檢測

pred<-predict(rf_train,newdata=test_data)  
pred_out_1<-predict(object=rf_train,newdata=test_data,type="prob")  #輸出概率
table <- table(pred,test_data$IS_LIUSHI)  
sum(diag(table))/sum(table)  #預(yù)測準(zhǔn)確率
plot(margin(rf_train,test_data$IS_LIUSHI),main=觀測值被判斷正確的概率圖)

randomForest包可以實(shí)現(xiàn)隨機(jī)森林算法的應(yīng)用，主要涉及5個(gè)重要函數(shù)，語法和參數(shù)請見下

1:randomForest()函數(shù)用于構(gòu)建隨機(jī)森林模型

randomForest(formula, data=NULL, ..., subset, na.action=na.fail)
randomForest(x, y=NULL, xtest=NULL, ytest=NULL, ntree=500,
             mtry=if (!is.null(y) && !is.factor(y))
               max(floor(ncol(x)/3), 1) else floor(sqrt(ncol(x))),
             replace=TRUE, classwt=NULL, cutoff, strata,
             sampsize = if (replace) nrow(x) else ceiling(.632*nrow(x)),
             nodesize = if (!is.null(y) && !is.factor(y)) 5 else 1,
             maxnodes = NULL,
             importance=FALSE, localImp=FALSE, nPerm=1,
             proximity, oob.prox=proximity,
             norm.votes=TRUE, do.trace=FALSE,
             keep.forest=!is.null(y) && is.null(xtest), corr.bias=FALSE,
             keep.inbag=FALSE, ...)

• formula指定模型的公式形式，類似于y~x1+x2+x3…;

• data指定分析的數(shù)據(jù)集；

• subset以向量的形式確定樣本數(shù)據(jù)集；

• na.action指定數(shù)據(jù)集中缺失值的處理方法，默認(rèn)為na.fail，即不允許出現(xiàn)缺失值，也可以指定為na.omit，即刪除缺失樣本；

• x指定模型的解釋變量，可以是矩陣，也可以是數(shù)據(jù)框；

• y指定模型的因變量，可以是離散的因子，也可以是連續(xù)的數(shù)值，分別對應(yīng)于隨機(jī)森林的分類模型和預(yù)測模型。這里需要說明的是，如果不指定y值，則隨機(jī)森林將是一個(gè)無監(jiān)督的模型；

• xtest和ytest用于預(yù)測的測試集；

• ntree指定隨機(jī)森林所包含的決策樹數(shù)目，默認(rèn)為500；

• mtry指定節(jié)點(diǎn)中用于二叉樹的變量個(gè)數(shù)，默認(rèn)情況下數(shù)據(jù)集變量個(gè)數(shù)的二次方根（分類模型）或三分之一（預(yù)測模型）。一般是需要進(jìn)行人為的逐次挑選，確定最佳的m值；

• replace指定Bootstrap隨機(jī)抽樣的方式，默認(rèn)為有放回的抽樣

• classwt指定分類水平的權(quán)重，對于回歸模型，該參數(shù)無效；

• strata為因子向量，用于分層抽樣；

• sampsize用于指定樣本容量，一般與參數(shù)strata聯(lián)合使用，指定分層抽樣中層的樣本量；

• nodesize指定決策樹節(jié)點(diǎn)的最小個(gè)數(shù)，默認(rèn)情況下，判別模型為1，回歸模型為5；

• maxnodes指定決策樹節(jié)點(diǎn)的最大個(gè)數(shù)；

• importance邏輯參數(shù)，是否計(jì)算各個(gè)變量在模型中的重要性，默認(rèn)不計(jì)算，該參數(shù)主要結(jié)合importance()函數(shù)使用；

• proximity邏輯參數(shù)，是否計(jì)算模型的臨近矩陣，主要結(jié)合MDSplot()函數(shù)使用；

• oob.prox是否基于OOB數(shù)據(jù)計(jì)算臨近矩陣；

• norm.votes顯示投票格式，默認(rèn)以百分比的形式展示投票結(jié)果，也可以采用絕對數(shù)的形式；

• do.trace是否輸出更詳細(xì)的隨機(jī)森林模型運(yùn)行過程，默認(rèn)不輸出；

• keep.forest是否保留模型的輸出對象，對于給定xtest值后，默認(rèn)將不保留算法的運(yùn)算結(jié)果。

2:importance()函數(shù)用于計(jì)算模型變量的重要性

importance(x, type=NULL, class="NULL", scale=TRUE, ...)

• x為randomForest對象；

• type可以是1，也可以是2，用于判別計(jì)算變量重要性的方法，1表示使用精度平均較少值作為度量標(biāo)準(zhǔn)；2表示采用節(jié)點(diǎn)不純度的平均減少值最為度量標(biāo)準(zhǔn)。值越大說明變量的重要性越強(qiáng)；

• scale默認(rèn)對變量的重要性值進(jìn)行標(biāo)準(zhǔn)化。

3:MDSplot()函數(shù)用于實(shí)現(xiàn)隨機(jī)森林的可視化

MDSplot(rf, fac, k=2, palette=NULL, pch=20, ...)

• rf為randomForest對象，需要說明的是，在構(gòu)建隨機(jī)森林模型時(shí)必須指定計(jì)算臨近矩陣，即設(shè)置proximity參數(shù)為TRUE；

• fac指定隨機(jī)森林模型中所使用到的因子向量（因變量）；

• palette指定所繪圖形中各個(gè)類別的顏色；

• pch指定所繪圖形中各個(gè)類別形狀；

• 還可以通過R自帶的plot函數(shù)繪制隨機(jī)森林決策樹的數(shù)目與模型誤差的折線圖
  

4:rfImpute()函數(shù)可為存在缺失值的數(shù)據(jù)集進(jìn)行插補(bǔ)（隨機(jī)森林法），得到最優(yōu)的樣本擬合值

rfImpute(x, y, iter=5, ntree=300, ...)
rfImpute(x, data, ..., subset)

• x為存在缺失值的數(shù)據(jù)集；

• y為因變量，不可以存在缺失情況；

• iter指定插值過程中迭代次數(shù)；

• ntree指定每次迭代生成的隨機(jī)森林中決策樹數(shù)量；

• subset以向量的形式指定樣本集。
  

5:treesize()函數(shù)用于計(jì)算隨機(jī)森林中每棵樹的節(jié)點(diǎn)個(gè)數(shù)

treesize(x, terminal=TRUE)

• x為randomForest對象；

• terminal指定計(jì)算節(jié)點(diǎn)數(shù)目的方式，默認(rèn)只計(jì)算每棵樹的根節(jié)點(diǎn)，設(shè)置為FALSE時(shí)將計(jì)算所有節(jié)點(diǎn)（根節(jié)點(diǎn)+葉節(jié)點(diǎn)）。

• 一般treesize()函數(shù)生成的結(jié)果用于繪制直方圖，方面查看隨機(jī)森林中樹的節(jié)點(diǎn)分布情況。
  

以上是“R語言如何實(shí)現(xiàn)隨機(jī)森林”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！