机器学习：在SAS中运行随机森林

原文链接：http://tecdat.cn/?p=7661

[](http://tecdat.cn/?p=7661)为了…，我们必须使用PROC HPFOREST指定目标变量，并概述天气变量是“类别”还是“定量”。为了进行此分析，我们使用了目标(Repsone变量)，该目标是分类的(SAS语言中标称的)，如下面的图像代码中所描述的黄色和红色：

运行代码后，我们得到了一系列表格，这些表格将详细分析数据。例如，模型信息让我们知道，随机选择了3个变量来测试每个节点或每个树中可能的分割(黄色)。我们还可以看到，运行的最大树数为100，如蓝色下划线所示。

HPFOREST仅使用在任何观察值下均没有缺失记录的有效变量。但是，我们还可以看到，在研究样本的213个国家中，有213个被利用。

接下来，我们可以看到模型生成带有“基线拟合统计量”的表。就本研究中的数据而言，我们可以看到该模型识别出38％的误分类，换句话说是62％的准确分类。这表示大部分样本已在每个随机选择的样本中正确分类。 

 在下表中分析森林时，我们可以看到误分类率已经达到了最低点，这表明在OOB样本中使用该模型进行测试时，误分类率仅在22％。

最后，我们看到SAS POC HPFOREST为我们提供了“损失减少变量的重要性”表。下表概述了每个变量如何有助于模型的可预测性的重要性等级。如下图所示，酒精变量排名最高。

现在，以下内容将帮助我们理解如何阅读表格：

• 规则数：告诉我们使用变量的拆分规则数
• 每个数据计算两次：
• Gini OOB：这是在“ Out of Bag”阶段中计算出的数据 
• 拟合统计告诉我们，OOB数据的偏差较小，因此，数据通过OOB Gini度量进行排序 
• 就预测自杀率高于正常水平而言，这些变量被列为高度重要性(顶部)和最低重要性(底部)。 
• 从下表中我们可以看出，最容易预测模型自杀率高于正常模型的变量是酒精消费量，就业率和城市率。 
• 

通过上面的练习，我们可以看到随机森林是一种数据挖掘算法，可以选择重要的解释变量，这些变量可以用于确定响应变量(目标变量)的分类结果还是定量结果。此外，此练习还允许我们结合使用分类变量和定量变量。总之，这个森林让我们知道哪些变量很重要，但彼此之间没有关系。

作者：LT_Ge

原文地址：https://segmentfault.com/a/1190000022068713

喜欢 0