閱讀目錄
回到頂部
隨機森林非常像《機器學習實踐》裡面提到過的那個adaboost演算法，但區別在於它沒有迭代，還有就是森林裡的樹長度不限制。
因為它是沒有迭代過程的，不像adaboost那樣需要迭代，不斷更新每個樣本以及子分類器的權重。因此模型相對簡單點，不容易出現過擬合。
下面先來講講它的具體框架流程。
回到頂部
隨機森林可以理解為cart樹森林，它是由多個cart樹分類器構成的整合學習模式。其中每個cart樹可以理解為乙個議員，它從樣本集裡面隨機有放回的抽取一部分進行訓練，這樣，多個樹分類器就構成了乙個訓練模型矩陣，可以理解為形成了乙個議會吧。
然後將要分類的樣本帶入這乙個個樹分類器，然後以少數服從多數的原則，表決出這個樣本的最終分類型別。
設有n個樣本，m個變數(維度)個數，該演算法具體流程如下：
1. 確定乙個值m，它用來表示每個樹分類器選取多少個變數。(注意這也是隨機的體現之一)
2. 從資料集中有放回的抽取 k 個樣本集，用它們建立 k 個樹分類器。另外還伴隨生成了 k 個袋外資料，用來後面做檢測。
3. 輸入待分類樣本之後，每個樹分類器都會對它進行分類，然後所有分類器按照少數服從多數原則，確定分類結果。
回到頂部
1. 森林中的每個樹越茂盛，分類效果就越好。
2. 樹和樹的枝葉穿插越多，分類效果就越差。
回到頂部
1. 預選變數個數 (即框架流程中的m)；
2. 隨機森林中樹的個數。
這兩個引數的調優非常關鍵，尤其是在做分類或回歸的時候。
回到頂部
函式名：randomforest(......)；
函式重要引數說明：
- x，y引數自然是特徵矩陣和標籤向量；
- na.action：是否忽略有缺失值的樣本；
- ntree：樹分類器的個數。500-1000為佳；
- mtry：分枝的變數選擇數；
- importance：是否計算各個變數在模型中的重要性(後面會提到)。
構建好模型之後，帶入predict函式和待**資料集就可得出**結果。然而，r語言中對隨機森林這個機制的支援遠遠不止簡單的做分類這麼簡單。它還提供以下這幾個功能，在使用這些功能之前，都要先呼叫randomforest函式架構出模型。
回到頂部
之前的文章提到過使用主成分分析法pca，以及因子分析efa，但是這兩種方法都有各自的缺點。它們都是屬於變數組合技術，會形成新的變數，之後一般還需要乙個解釋的階段。
對於一些解釋起來比較麻煩，以及情況不是很複雜的情況，直接使用隨機森林進行特徵選擇就可以了，下面為具體步驟：
執行這個指令碼後：
其中的兩列是衡量變數重要性的指標，越高表示該變數對分類的影響越大。第一列是根據精度平均減少值作為標準度量，而第二列則是採用節點不純度的平均減少值作為度量標準。
回到頂部
通過mds圖我們能大致看出哪些類是比較容易搞混的：
生成下圖：
可以看出，第二列第三列存在著容易混淆的情況。
回到頂部
r語言包中提供的隨機森林功能包還有很多，對於調優很有幫助，請務必查詢相關資料並掌握。
另外，部分變種的隨機森林演算法還可以用來做回歸。
隨機森林隨機 三
2018年7月22日 陣雨 感冒發燒喉嚨疼，只因為一杯正常冰的奶蓋！以後得少喝加冰的東西了.前面說的是整合學習的兩種形式，這跟隨機森林有啥關係呢？隨機森林是bagging的乙個擴充套件變體.簡單的來說，當bagging演算法中的base learner為決策樹並在訓練決策樹的過程中加入隨機屬性選擇，...
隨機森林演算法
random forest是加州大學伯克利分校的breiman leo和adele cutler於2001年發表的 中提到的新的機器學習演算法，可以用來做分類，聚類，回歸，和生存分析，這裡只簡單介紹該演算法在分類上的應用。random forest 隨機森林 演算法是通過訓練多個決策樹，生成模型，然...
理解隨機森林
理解隨機森林 隨機森林利用隨機的方式將許多決策樹組合成乙個森林，每個決策樹在分類的時候投票決定測試樣本的最終類別。下面我們再詳細說一下隨機森林是如何構建的。隨機森林主要包括4個部分 隨機選擇樣本 隨機選擇特徵 構建決策樹 隨機森林投票分類。給定乙個訓練樣本集，數量為n，我們使用有放回取樣到n個樣本，...