r语言 tunerf函数_R语言︱随机森林算法

笔者寄语：有一篇《有监督学习选择深度学习还是随机森林或支持向量机?》(作者Bio：SebastianRaschka)中提到，在日常机器学习工作或学习中，当我们遇到有监督学习相关问题时，不妨考虑下先用简单的假设空间(简单模型集合)，例如线性模型逻辑回归。若效果不好，也即并没达到你的预期或评判效果基准时，再进行下换其他更复杂模型来实验。

——————————————————————————————————————————————

一、随机森林理论介绍

1.1 优缺点

优点。

(1)不必担心过度拟合；

(2)适用于数据集中存在大量未知特征；

(3)能够估计哪个特征在分类中更重要；

(4)具有很好的抗噪声能力；

(5)算法容易理解；

(6)可以并行处理。

缺点。

(1)对小量数据集和低维数据集的分类不一定可以得到很好的效果。

(2)执行速度虽然比Boosting等快，但是比单个的决策树慢很多。

(3)可能会出现一些差异度非常小的树，淹没了一些正确的决策。

1.2 生成步骤介绍

1、从原始训练数据集中，应用bootstrap方法有放回地随机抽取k个新的自助样本集，并由此构建k棵分类回归树，每次未被抽到的样本组成了Ｋ个袋外数据(out-of-bag,BBB)。

2、设有n 个特征，则在每一棵树的每个节点处随机抽取mtry 个特征，通过计算每个特征蕴含的信息量，特征中选择一个最具有分类能力的特征进行节点分裂。

3、每棵树最大限度地生长， 不做任何剪裁

4、将生