11.随机森林

#####11 随机森林#####
library(randomForest)

#####1.2.2 核心函数#####
#这个软件包主要有5个函数，分别为:importance()、MDSplot()、rfImpute、treesize()以及
#randomForest().

#函数importance()用来提取在利用函数randomForest()建立随机森林过程中方程中各个变量的
#重要性度量结果。

#函数MDSplot()用来绘制在利用函数randomForest()建立随机森林模型过程中所产生的临近矩
#阵经过标准化后的坐标图，简而言之，就是可以将高位图缩放到任意小的维度下来观看模型各
#个类别在不同维度下的分布情况。

#函数rfImpute()用来对数据中的缺失值进行插值，该函数也是随机森林模型的一个重要用途之一。

#函数treesize()用来查看随机森林模型中，每一棵树所具有的节点数。

#函数randomForest()是随机森林中最核心的函数，它用来建立随机森林模型，该函数既可以建
#立判别模型，也可以用来建立回归模型，还可以建立无监督模型。

#1. importance()函数
#importance(x, type=NULL, class=NULL, scale=TRUE, ...)

#参数x在这里代指的是利用函数randomForest()生成的随机森林函数模型。
#参数class在这里这要针对随机森林中的分类问题。当type参数取值为1时，该参数的取值范围
#为响应变量中的样本类别，并返回结果为该参数的取值对应类别的重要值情况。
#参数type在这里指代的是对于变量重要值的度量标准。该参数共有两个区直，1和2.其中1代表
#采用精度平均较少之作为度量标准；而2 代表采用节点不纯度的平均较少之作为度量标准。
#参数scale代表是否对变量重要值进行标准化，即是否将计算而得的重要值除以它们对应的标
#准差。

#通过importance()所得到的结果是一个由变量重要值组成的矩阵。其中每一行代表一个预测变
#量，而不同的列代表着不同的重要值度量方法。
set.seed(4)                       #设定产生随机数的初始值
data(mtcars)                      #调用数据集mtcars(1973~1974年车型的32辆汽车的10项指标)
mtcars.rf=randomForest(mpg~.,data=mtcars,ntree=1000,importance=TRUE)
                                  #基于数据集建立随机森林模型
importance(mtcars.rf)             #提取随机森林模型中的重要值
importance(mtcars.rf, type=1)     #提取随机森林模型中以第一章度量标准得到的重要值
#对应变量的重要值越大，这说明改变了对于模型进行分类越重要。

#2. MDSplot()函数
#用于绘制在利用函数randomForest()建立随机森林模型过程中，所产生的临近矩阵经过标准化后
#的坐标图。即在不同维度下各个样本点的分布情况。
#MDSplot(rf, fac, k=2, palette=NULL, pch=20, ...)

#参数rf在这里指代的是利用函数randomForest()所构建的随机森林模型。在此需要强调的是，在
#构建该模型时，必须在模型中包含有模型的临近矩阵。
#参数fac在这里指代的是在构建rf随机森林过程中所使用到的一个因子变量。
#参数k在这里是用来决定所绘制的图像中各个类别所包含的经过缩放的维度。该参数默认为2.
#参数palette在这里是用来决定所绘制的图像中各个类别的样本点的颜色。
#参数pch在这里是用来决定所绘制的图像中各个类别的样本点的形状。

set.seed(1)                        #设定产生随机数的初始值
data(iris)                         #数据集
iri