随机森林算法原理

RF是以决策树为基学习器构建bagging的基础上,进一步在决策树的训练过程中引入随机属性，简言之 RF就是 bagging+决策树，如果非必要的话，没有必要从头到尾重新搭建基学习器，已有的包可以解决当前问题即可。但是也存在一个问题，即现有的包中都将0/1赋予同样的权重，所以当样本不均衡且更关注负样本时，此时投票函数需要进一步的优化。

1. 算法流程

① 假设存在数据集，有特征数N，有放回的抽样可以生 成抽样空间

②构建基学习器（决策树）：就每一个抽样 （其中K<<M）生成决策树，并记录每一个决策树的结果

③ 训练T 次使 ,其中 是一种算法（绝对多数投票法，相对多数投票法，加权投票法等）

2. RandomForest包主要参数解释

formula：y~x1+x2+...+xk

data :数据集

na.action:缺失值的处理方式

ntree :生成树的数量 ，一般生成的数越多开销越大，一般而言不要太小

mtry: 随机抽样选取特征数，分类问题默认总特征数的平方根，回归问题默认为总特征的1/3

nodes:是否返回node

#以泰坦尼克号的数据集为例
setwd('E:/R')
data<-read.csv('E:/R/train.csv')
str(data)
data_new<-data[c(1,2,3,5,6,7,8,10)]
data_new<-na.omit(data_new)
rf<-randomForest(as.factor(Survived)~.,data=data_new)
plot(rf)                                       

随机森林的OOB是17.23%，准确率为：83%，召回为：17.8%

可以看见，误差在150棵树的情况下比较稳定了，为节省计算开销，可以选择将ntree参数设置为150

rf<-randomForest(as.factor(Survived)~.,data=data_new,ntree=150)

此时，OOB为18.21%，准确度为82%，召回为17.8%

将随机抽样的特征数设置为4的时候，得到的OOB是最小的

varImpPlot(rf)#查看特征的重要性