随机森林算法介绍及R语言实现

随机森林算法介绍及R语言实现

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：

1.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；

2.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；

3.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：

1.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；

2.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,ntre e=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,ntre

e=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,ntre

e=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",s=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