如何绘制 OOB 错误与随机森林中的树数

Question

我拟合了一个随机森林模型。我已经使用了 randomForest 和 ranger 包。我没有调整森林中的树木数量，我只是将其保留为默认数量，即 500。现在我想看看它是否足够，即错误是否达到了稳定水平。所以我相信我需要提取单个树，随机取例如 100、200、300、400 和最后 500 棵树，从中取出 oob 树并计算 100、200、...树的 OOB 错误连续.然后我可以绘制 OOB 错误与树的数量。我发现randomForest::getTree 和ranger::treeInfo 返回一个树的data.frame，但我不知道那里是什么。更重要的是ranger::treeInfo 返回一个 NA 为 50% 的数据帧，整体输出更难阅读。 所以我的问题是：

1. 如果我已经有一个包含 500 棵树的随机森林，我如何绘制 OOB 误差与森林中使用的树木数量的关系？
2. 为什么ranger::treeInfo 有 50% 的 NA 而实际上只有那些行有预测？

这是一个最小的例子：

mpg2 <- mpg %>% 
  mutate(is_suv = as.factor(class == 'suv')) %>% 
  select(-class)
mpg_model <- ranger::ranger(is_suv ~ ., data = mpg2)
ranger::treeInfo(mpg_model, tree = 100)

Answer 1

我认为您正在寻找的只是 plot(.) ，如本例所示：

library(randomForest)

set.seed(71)
iris.rf <- randomForest(Species ~ ., data=iris, importance = TRUE, proximity=TRUE)
# plot the model
plot(iris.rf)
# add legend to know which is which
legend("top", colnames(iris.rf$err.rate), fill=1:ncol(iris.rf$err.rate))

至于randomForest::getTree和ranger::treeInfo，它们与OOB无关，它们只是描述了-chosen-树的轮廓，即哪些节点在哪些标准上分裂，哪些节点与哪些节点相连，每个包使用的表示方式略有不同，以下示例来自ranger::treeInfo：

     nodeID leftChild rightChild splitvarID splitvarName splitval terminal prediction
1       0         1          2          4  Petal.Width     0.80    FALSE       <NA>
2       1        NA         NA         NA         <NA>       NA     TRUE     setosa

基本上是这样的描述：