R语言回归的随机森林方法

随机森林法是一种有监督的学习算法。它建立了多个被称为森林的决策树，并将它们粘合在一起，以促进更准确和稳定的预测。随机森林方法类似于称为Bagging的集合技术。在这种方法中，多棵树是通过训练数据的引导样本产生的，然后我们简单地减少树之间的相关性。执行这种方法可以提高决策树的性能，并有助于避免凌迟。在这篇文章中，让我们学习一下在R编程中使用随机森林方法进行回归。

随机森林的特点

聚合许多决策树： 随机森林是一个决策树的集合，因此，不依赖于单一的特征，而是结合每个决策树的多个预测。
防止过度拟合： 有了多棵决策树，每棵树都会抽取一个随机数据样本，使随机森林具有更多的随机性，产生比决策树好得多的准确性。

随机森林的优势

高效： 在对大型数据库进行处理时，随机森林的效率比决策树高得多。
高度准确： 随机森林是高度准确的，因为它们是决策树的集合，每棵决策树都抽取随机数据样本，因此，随机森林在预测方面产生了更高的准确性。
对测试误差的有效估计： 它有效地利用了所有预测特征，即使数据缺失也能保持准确性。

随机森林的劣势

需要不同数量的层次： 作为决策树的集合，随机森林需要不同数量的层次，以便对训练模型进行非常准确和有偏见的预测。
需要大量的内存： 训练一大组树可能需要更多的内存或并行内存。

R语言实现回归的随机森林方法

R编程中的 randomForest 包被用来创建随机森林。它建立的森林是决策树的集合。函数 randomForest() 用于创建和分析随机森林。

语法：

randomForest(formula, data)

参数：

formula： 代表描述拟合模型的公式

data： 代表包含模型中变量的数据框

要了解更多的可选参数，请使用 help(“randomForest”) 命令。

例子。

第1步：安装所需的软件包。

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

第2步：加载所需的软件包。

# Load the library
library(randomForest)

第3步：在这个例子中，让我们使用R中存在的空气质量数据集。

# Print the dataset
print(head(airquality))

输出 :

   Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
3    12     149 12.6   74     5   3
4    18     313 11.5   62     5   4
5    NA      NA 14.3   56     5   5
6    28      NA 14.9   66     5   6

第4步：创建随机森林进行回归

# Create random forest for regression
ozone.rf <- randomForest(Ozone ~ ., data = airquality, mtry = 3,
                         importance = TRUE, na.action = na.omit)

第5步：打印回归模型

# Print regression model
print(ozone.rf)

输出 :

Call:
 randomForest(formula = Ozone ~ ., data = airquality, mtry = 3,      importance = TRUE, na.action = na.omit) 
               Type of random forest: regression
                     Number of trees: 500
No. of variables tried at each split: 3

          Mean of squared residuals: 296.4822
                    % Var explained: 72.98

第6步：绘制误差与树木数量的关系图

# Output to be present as PNG file 
png(file = "randomForestRegression.png")
  
# Plot the error vs the number of trees graph
plot(ozone.rf)
  
# Saving the file
dev.off()