目录
随机森林算法介绍算法介绍：
决策树生长步骤：投票过程：
基本思想：随机森林的优点：缺点R语言实现
随机森林模型搭建1:randomForest()函数用于构建随机森林模型2:importance()函数用于计算模型变量的重要性3:MDSplot()函数用于实现随机森林的可视化4:rfImpute()函数可为存在缺失值的数据集进行插补（随机森林法），得到最优的样本拟合值5:treesize()函数用于计算随机森林中每棵树的节点个数
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 < M)个特征，按照节点不纯度最小的原则从这m个特征中选出一个特征进行分枝生长，然后再分别递归调用上述过程构造各个分枝，直到这棵树能准确地分类训练集或所有属性都已被使用过。在整个森林的生长过程中m将保持恒定； 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()函数用于构建随机森林模型
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，类似于y~x1+x2+x3…; data指定分析的数据集； subset以向量的形式确定样本数据集； na.action指定数据集中缺失值的处理方法，默认为na.fail，即不允许出现缺失值，也可以指定为na.omit，即删除缺失样本； x指定模型的解释变量，可以是矩阵，也可以是数据框； y指定模型的因变量，可以是离散的因子，也可以是连续的数值，分别对应于随机森林的分类模型和预测模型。这里需要说明的是，如果不指定y值，则随机森林将是一个无监督的模型； xtest和ytest用于预测的测试集； ntree指定随机森林所包含的决策树数目，默认为500； mtry指定节点中用于二叉树的变量个数，默认情况下数据集变量个数的二次方根（分类模型）或三分之一（预测模型）。一般是需要进行人为的逐次挑选，确定最佳的m值； replace指定Bootstrap随机抽样的方式，默认为有放回的抽样 classwt指定分类水平的权重，对于回归模型，该参数无效； strata为因子向量，用于分层抽样； sampsize用于指定样本容量，一般与参数strata联合使用，指定分层抽样中层的样本量； nodesize指定决策树节点的最小个数，默认情况下，判别模型为1，回归模型为5； maxnodes指定决策树节点的最大个数； importance逻辑参数，是否计算各个变量在模型中的重要性，默认不计算，该参数主要结合importance()函数使用； proximity逻辑参数，是否计算模型的临近矩阵，主要结合MDSplot()函数使用； oob.prox是否基于OOB数据计算临近矩阵； norm.votes显示投票格式，默认以百分比的形式展示投票结果，也可以采用绝对数的形式； do.trace是否输出更详细的随机森林模型运行过程，默认不输出； keep.forest是否保留模型的输出对象，对于给定xtest值后，默认将不保留算法的运算结果。
2:importance()函数用于计算模型变量的重要性
importance(x, type=NULL, class="NULL", scale=TRUE, ...)x为randomForest对象； type可以是1，也可以是2，用于判别计算变量重要性的方法，1表示使用精度平均较少值作为度量标准；2表示采用节点不纯度的平均减少值最为度量标准。值越大说明变量的重要性越强； scale默认对变量的重要性值进行标准化。
3:MDSplot()函数用于实现随机森林的可视化
MDSplot(rf, fac, k=2, palette=NULL, pch=20, ...)rf为randomForest对象，需要说明的是，在构建随机森林模型时必须指定计算临近矩阵，即设置proximity参数为TRUE； fac指定随机森林模型中所使用到的因子向量（因变量）； palette指定所绘图形中各个类别的颜色； pch指定所绘图形中各个类别形状； 还可以通过R自带的plot函数绘制随机森林决策树的数目与模型误差的折线图
4:rfImpute()函数可为存在缺失值的数据集进行插补（随机森林法），得到最优的样本拟合值
rfImpute(x, y, iter=5, ntree=300, ...) rfImpute(x, data, ..., subset)x为存在缺失值的数据集； y为因变量，不可以存在缺失情况； iter指定插值过程中迭代次数； ntree指定每次迭代生成的随机森林中决策树数量； subset以向量的形式指定样本集。
5:treesize()函数用于计算随机森林中每棵树的节点个数
treesize(x, terminal=TRUE)x为randomForest对象； terminal指定计算节点数目的方式，默认只计算每棵树的根节点，设置为FALSE时将计算所有节点（根节点+叶节点）。 一般treesize()函数生成的结果用于绘制直方图，方面查看随机森林中树的节点分布情况。
