派对包R中的条件推理树：如何根据OOB数据预测模型和方差重要性？答案

【问题标题】：Conditional inference trees in party package R: how to predict the model and variance importance based on OOB data?派对包R中的条件推理树：如何根据OOB数据预测模型和方差重要性？
【发布时间】：2020-02-26 15:08:28
【问题描述】：

我使用 R 中 party 包的 cforest 来计算条件推理树。与随机森林类似，我想根据OOB 数据检索解释的方差和方差重要性（我读到随机森林返回解释的方差和基于 OOB 数据的变量重要性）。为此，cforest 我使用了以下代码：

model <- party::cforest(y ~ x1 + x2 + x3 + x4 , data=trainings_set ,  control=cforest_unbiased(ntree=1000, minsplit=25 , minbucket=8 , mtry=4))
model.pred <- predict(model, type="response" , OOB=TRUE)
R2=1 - sum((trainings_set$y-model.pred)^2)/sum((trainings_set$y-mean(trainings_set$y))^2)
varimp_model=party::varimp(model, conditional = TRUE, threshold = 0.2, OOB = TRUE)

我感兴趣的是命令 OOB=TRUE 是否会导致模型被预测并根据 trainings_set 的 OOB data 返回变量重要性？

我之前以不同的标题发布过这个问题，再次发布（稍微重新起草），希望有人能够提供答案？

【问题讨论】：

标签： r machine-learning random-forest

【解决方案1】：

cforest 函数中的OOB 参数用于a logical defining out-of-bag predictions。

这只是TRUE，当您在cforest 中传递newdata 参数时，通常是一个测试数据帧。如果newdata 参数存在并且您设置了OOB=TRUE，那么您将在此newdata 上获得out-of-bag predictions。

我希望这能澄清你的疑问。

【讨论】：