---

数据介绍

本问使用的数据集与R语言实现决策树的数据集相同，详情可参考这篇文章.

---

一、相关R包的下载

本文实现随机森林及相关图形绘制的R包如下：

library(randomForest)
library("pROC")

二、实现过程

1.数据读取与数据集划分

read.table("D:\\Rprojects\\tree.csv",header=TRUE,sep=",")->mydata #读取数据
mydata$group<-factor(mydata$group)#数据处理
sub<-sample(1:392,260)#260个样例作为训练集，其余作为测试集
train<-mydata[sub,]
test<-mydata[-sub,]

2.构建随机森林模型

利用randomForest包实现随机森林:

mydata.rf<-randomForest(group~.,data=train,importance=TRUE,proximity=TRUE)

计算得到各指标的平均最小基尼指数:

importance(mydata.rf,type=2)

可使用图形的方式对指标的重要性进行可视化：

varImpPlot(mydata.rf, main = "variable importance")#变量的重要性判断

得到结果如下

3.模型验证

对测试集数据进行预测，并输出混淆矩阵

#对测试集进行预测
pre_ran <- predict(mydata.rf,newdata=test)
#将真实值和预测值整合到一起
obs_p_ran = data.frame(prob=pre_ran,obs=test$group)
#输出混淆矩阵
table(test$group,pre_ran,dnn=c("真实值","预测值"))

混淆矩阵	case	control
case	36	3
control	0	93

绘制ROC曲线图及多维尺度图：

#绘制ROC曲线
ran_roc <- roc(test$group,as.numeric(pre_ran))
plot(ran_roc, print.auc=TRUE, auc.polygon=TRUE, grid=c(0.1, 0.2),grid.col=c("green", "red"), max.auc.polygon=TRUE,auc.polygon.col="skyblue", print.thres=TRUE,main='随机森林模型ROC曲线')

MDSplot(mydata.rf,test$group)

---

完整代码如下：

library(randomForest)
library("pROC")
read.table("D:\\Rprojects\\tree.csv",header=TRUE,sep=",")->mydata #读取数据
mydata$group<-factor(mydata$group)
sub<-sample(1:392,260)#260个样例作为训练集，其余作为测试集
train<-mydata[sub,]
test<-mydata[-sub,]
mydata.rf<-randomForest(group~.,data=train,importance=TRUE,proximity=TRUE)
importance(mydata.rf,type=2)

varImpPlot(mydata.rf, main = "variable importance")#变量的重要性判断

#对测试集进行预测
pre_ran <- predict(mydata.rf,newdata=test)
#将真实值和预测值整合到一起
obs_p_ran = data.frame(prob=pre_ran,obs=test$group)
#输出混淆矩阵
table(test$group,pre_ran,dnn=c("真实值","预测值"))
#绘制ROC曲线
ran_roc <- roc(test$group,as.numeric(pre_ran))
plot(ran_roc, print.auc=TRUE, auc.polygon=TRUE, grid=c(0.1, 0.2),grid.col=c("green", "red"), max.auc.polygon=TRUE,auc.polygon.col="skyblue", print.thres=TRUE,main='随机森林模型ROC曲线')

MDSplot(mydata.rf,test$group)

---

总结

随机森林具有很高的预测准确率，对异常值和噪声具有良好的容忍度，且不会随着构建的决策树的增加而出现过拟合现象。但在引用随机森林方法时，也会产生一定限度内的泛化误差。随即特征（特征变量）的数目对泛化误差会产生一定影响。