第九篇：随机森林(Random Forest)

前言

       随机森林非常像《机器学习实践》里面提到过的那个AdaBoost算法，但区别在于它没有迭代，还有就是森林里的树长度不限制。

       因为它是没有迭代过程的，不像AdaBoost那样需要迭代，不断更新每个样本以及子分类器的权重。因此模型相对简单点，不容易出现过拟合。

       下面先来讲讲它的具体框架流程。

框架流程

       

       随机森林可以理解为Cart树森林，它是由多个Cart树分类器构成的集成学习模式。其中每个Cart树可以理解为一个议员，它从样本集里面随机有放回的抽取一部分进行训练，这样，多个树分类器就构成了一个训练模型矩阵，可以理解为形成了一个议会吧。

       然后将要分类的样本带入这一个个树分类器，然后以少数服从多数的原则，表决出这个样本的最终分类类型。

       设有N个样本，M个变量(维度)个数，该算法具体流程如下：

1. 确定一个值m，它用来表示每个树分类器选取多少个变量。(注意这也是随机的体现之一)
2. 从数据集中有放回的抽取 k 个样本集，用它们创建 k 个树分类器。另外还伴随生成了 k 个袋外数据，用来后面做检测。
3. 输入待分类样本之后，每个树分类器都会对它进行分类，然后所有分类器按照少数服从多数原则，确定分类结果。

性能制约

       1. 森林中的每个树越茂盛，分类效果就越好。
       2. 树和树的枝叶穿插越多，分类效果就越差。

重要参数

1. 预选变量个数 (即框架流程中的m)；
2. 随机森林中树的个数。

       这两个参数的调优非常关键，尤其是在做分类或回归的时候。

构建随机森林模型

       函数名：randomForest(......)；

       函数重要参数说明：

- x，y参数自然是特征矩阵和标签向量；

- na.action：是否忽略有缺失值的样本；

- ntree：树分类器的个数。500-1000为佳；

- mtry：分枝的变量选择数；

- importance：是否计算各个变量在模型中的重要性(后面会提到)。

       构建好模型之后，带入predict函数和待预测数据集就可得出预测结果。然而，R语言中对随机森林这个机制的支持远远不止简单的做分类这么简单。它还提供以下这几个功能，在使用这些功能之前，都要先调用randomForest函数架构出模型。

使用随机森林进行变量筛选

       之前的文章提到过使用主成分分析法PCA，以及因子分析EFA，但是这两种方法都有各自的缺点。它们都是属于变量组合技术，会形成新的变量，之后一般还需要一个解释的阶段。

       对于一些解释起来比较麻烦，以及情况不是很复杂的情况，直接使用随机森林进行特征选择就可以了，下面为具体步骤：

       

       执行这个脚本后：

       

       其中的两列是衡量变量重要性的指标，越高表示该变量对分类的影响越大。第一列是根据精度平均减少值作为标准度量，而第二列则是采用节点不纯度的平均减少值作为度量标准。

       重要度的计量方法参考下图（摘自百度文库）：

       

使用随机森林绘制MDS二维图

       通过MDS图我们能大致看出哪些类是比较容易搞混的：

       

       生成下图：

       

       可以看出，第二列第三列存在着容易混淆的情况。

小结

       R语言包中提供的随机森林功能包还有很多，对于调优很有帮助，请务必查询相关资料并掌握。

       另外，部分变种的随机森林算法还可以用来做回归。