R语言 使用并行计算的随机森林

R编程中的随机森林基本上是一种分袋技术。从这个名字我们可以清楚地解释，这个算法基本上是用大量的树来创建森林。它是一种有监督的分类算法。

在一般情况下，如果我们在一个森林里有更多的树，它就会给所有人带来最好的美感，并被算作是最好的森林。在随机森林分类器中也是如此，树的数量越多，准确率就越高，因此它被认为是一个更好的模型。在随机森林中，你在决策树中使用的相同方法，即熵和信息增益不会被使用。在随机森林中，我们从训练集中抽取随机引导样本。

随机森林的优点

• 有利于处理大数据集。
• 学习速度快，并提供高精确度。
• 可以同时处理大量的变量。
• 过度拟合在这个算法中不是一个问题。

随机森林的劣势

• 复杂性是一个主要问题。由于该算法创建了许多树，并结合其输出以产生最佳输出，因此需要更多的计算时间和资源。
• 由于随机森林产生大量的树，所以通常训练随机森林模型的时间会更长。

并行计算

并行计算基本上是指在同一实例中使用两个或更多的核心（或处理器）来获得一个现有问题的解决方案。这里的主要目标是将任务分解成更小的子任务，并同时完成。

一个简单的数学例子将清楚地说明并行计算背后的基本理念。

假设我们有下面的表达式需要评估。

Z= 7a + 8b + 2c + 3d

其中， a=1，b=2，c=9，d=5。

没有并行计算的正常过程将是。

第1步： 输入变量的值。

Z = (7*1) + (8*2) + (2*9) + (3*5)

第2步： 对表达式进行评估。

Z = 7 + (8*2) + (2*9) + (3*5)

第3步

Z = 7 + 16 + (2*9) + (3*5)

第4步

Z = 7 + 16 + 18 + (3*5)

第5步

Z = 7 + 16 + 18 + 15

第6步

Z = 56

在并行计算的情况下，同样的表达式评估将如下。

第1步： 输入变量的值。

Z = (7*1) + (8*2) + (2*9) + (3*5)

第2步： 对表达式进行评估。

Z = 7 + 16 + 18 + 15

第3步 。

Z = 56

所以我们可以看到上面的区别，在第二种情况下，表达式的评估要快得多。

所以，我采取了一个雷达数据集。它总共由35个属性组成。第35个属性是目标变量，即 “g “或 “b”。这个目标变量主要代表电离层中的自由电子。”g “代表好的 “雷达回波是那些显示电离层中某种类型结构的证据，”b “代表坏的 “回波是那些没有的；它们的信号通过电离层。所以基本上，这是一个二进制分类任务。让我们从编码部分开始。

加载所需的库

library(caret)
library(randomForest)
library(doParallel)

读取数据集

datafile<-read.csv("C:/Users/prana/Downloads/ionosphere.data.csv")
datafile

将目标变量转换为标签为0和1的因子变量，同时检查是否有缺失的值。

datafile$target0]  
  
set.seed(100)

由于没有缺失值，我们有一个干净的数据集。因此，进入模型构建部分。将数据集按80:20的比例分成，即训练集和测试集。

Trainingindex<-createDataPartition(datafile$target, p=0.8, list=FALSE)
trainingset<-datafile[Trainingindex, ]
testingset<-datafile[-Trainingindex, ]

无并行计算的随机森林的实现

现在，我们将正常建立一个模型，并记录所需的时间。

start.time<-proc.time()
  
model<-train(target~., data=trainingset, method='rf')
  
stop.time<-proc.time()
  
run.time<-stop.time -start.time
  
print(run.time)

输出

user  system   elapsed
13.05   0.20     13.62

用并行计算实现随机森林

现在用并行计算的概念建立模型，在R中加载do Parallel库（这里我们已经在开始时加载了它，所以不需要再加载）。我们可以看到函数makePSOCKcluster()，它创建了一组并行运行的R副本并通过套接字进行通信。stopCluster()在cl中停止集群中的引擎节点。我们还将记录通过这种方法建立模型所需的时间。

cl<-makePSOCKcluster(5)
  
registerDoParallel(cl)
  
start.time<-proc.time()
  
model<-train(target~., data=trainingset, method='rf')
  
stop.time<-proc.time()
  
run.time<-stop.time -start.time
  
print(run.time)
  
stopCluster(cl)

输出

user  system   elapsed
0.56    0.02      6.19

时间差的比较表

因此，现在制定一个表格，向我们展示这两种方法的时间。

因此，从上表中，我们可以得出结论，使用并行计算，建模过程比普通方法快 2. 200323（=13.62/6.19） 倍。