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$IS_LIUSHI)~.,data=train_data,mtry=i,ntree=1000)  rate[i]<-mean(rf_train$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。