高级算法：R编程中的随机森林分类方法

2021年3月14日14:41:23 发表评论 1,019 次浏览

随机森林法是监督的非线性分类和回归算法。分类是将类别或类别的一组数据集分类的过程。作为随机森林方法, 可以根据用户和所需的目标或类别使用分类或回归技术。随机森林是决策树的集合, 这些决策树以更高的概率指定类别。由于决策树缺乏准确性, 并且由于称为过拟合的过程, 决策树在测试阶段也显示出较低的准确性, 因此使用了随机森林方法而非决策树方法。在R编程, randomForest()的功能randomForest软件包用于创建和分析随机森林。在本文中, 我们将讨论随机森林, 学习R编程中用于分类的随机森林方法的语法和实现, 并绘制进一步的图表以进行推断。

随机森林

随机森林是一种机器学习算法, 它使用决策树的集合来提供更大的灵活性, 准确性和易于访问的输出。与随机森林算法相比, 该算法在决策树算法上占优势, 因为决策树提供的准确性较差。简而言之, 随机森林方法可提高决策树的性能。这是最好的算法之一, 因为它可以同时使用分类和回归技术。作为一种有监督的学习算法, 随机森林在决策树中使用装袋法, 从而提高了学习模型的准确性。

随机森林从特征的随机子集中搜索最佳特征, 从而为模型提供更多的随机性, 从而获得更好, 更准确的模型。让我们通过一个例子来学习随机森林方法。假设一个名叫鲍勃的人想从商店买一件T恤。推销员首先问他最喜欢的颜色。这构成了基于颜色特征的决策树。此外, 推销员询问有关T恤的更多信息, 例如尺寸, 面料类型, 衣领类型等等。选择T恤的更多标准将在机器学习中做出更多决策树。所有决策树将共同构成一种随机森林方法, 该方法基于Bob想要从商店购买的许多功能来选择T恤。

实施随机森林分类法

语法：randomForest(formula, data)参数：公式：表示描述要拟合模型的公式数据：表示包含模型中变量的数据框

例子：

在此示例中, 让我们在虹膜数据集上使用监督学习, 根据函数中传递的参数对虹膜植物进行分类。

第1步：

安装所需的库

# Install the required
# Package for function
install.packages ( "randomForest" )

第2步：加载所需的库

# Load the library
library (randomForest)

第三步：在中使用虹膜数据集randomForest()函数

# Create random forest
# For classification
iris.rf <- randomForest (Species ~ ., data = iris, importance = TRUE , proximity = TRUE )

步骤4：打印以上步骤中构建的分类模型

# Print classification model
print (iris.rf)

输出如下：

Call:
 randomForest(formula = Species ~ ., data = iris, importance = TRUE, proximity = TRUE) 
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 2

        OOB estimate of  error rate: 5.33%
Confusion matrix:
           setosa versicolor virginica class.error
setosa         50          0         0        0.00
versicolor      0         47         3        0.06
virginica       0          5        45        0.10

步骤5：在误差和树数之间绘制图

# Output to be present
# As PNG file 
png (file = "randomForestClassification.png" )
   
# Plot the error vs 
# The number of trees graph
plot (iris.rf)
   
# Saving the file
dev.off ()

输出如下：