R 中的 randomForest() 机器学习

Question

我正在使用 R 中的函数 randomforest() 进行探索，我发现几篇文章都建议使用如下类似的逻辑，其中响应变量是第 30 列，自变量包括除第 30 列之外的所有其他内容：

dat.rf <- randomForest(dat[,-30], 
                      dat[,30], 
                      proximity=TRUE, 
                      mtry=3,
                      importance=TRUE,
                      do.trace=100,
                      na.action = na.omit)

当我尝试这个时，我收到以下错误消息：

randomForest.default(dat[, -30], dat[, 30],proximity = TRUE, : 预测变量中不允许使用 NA 另外：警告信息： 在 randomForest.default(dat[, -30], dat[, 30],proximity = TRUE, : 响应具有五个或更少的唯一值。确定要进行回归吗？

但是，当我一一列出自变量同时保持所有其他参数相同时，我能够让它工作。

dat.rf <- randomForest(as.factor(Y) ~X1+ X2+ X3+ X4+ X5+ X6+ X7+ X8+ X9+ X10+......,                          
                      data=dat
                      proximity=TRUE,
                      mtry=3,
                      importance=TRUE,
                      do.trace=100,
                      na.action = na.omit)

有人可以帮我调试更简单的命令，我不必一一列出每个预测变量吗？

Answer 1

错误信息为你提供了两个问题的线索：

1. 首先，您需要删除任何具有NA 的行。删除 NA 应该很容易，我将把它留给你作为练习。
2. 看起来您需要进行分类（预测只有几个离散水平之一的响应），而不是回归（预测连续响应）。如果响应是连续的，randomForest() 将自动应用回归。

那么，您如何强制randomForest() 使用分类？正如您在第一次尝试中注意到的那样，randomForest 允许您提供数据作为预测变量和响应数据，而不仅仅是使用公式样式。要强制randomForest() 应用分类，请确保您尝试预测的值（响应或dat[,30]）是一个因素。请记住明确标识 $x$ 和 $y$ 参数。这很容易做到：

 randomForest(x = dat[,-30],
              y = factor(dat[,30]),
              ...)

这样您的输出只能采用 y 中给定的级别之一。

这都隐藏在参数 $x$ 和 $y$ 的描述中：参见?help。