R语言实现可理解的随机森林模型(Random Forest)

您所在的位置:网站首页 r语言随机森林结果分析 R语言实现可理解的随机森林模型(Random Forest)

R语言实现可理解的随机森林模型(Random Forest)

2023-07-31 16:09| 来源: 网络整理| 查看: 265

Random Forest 解释模型 1. 介绍2. 理解随机森林运行机理2.1导入需要的包2.2 构建随机森林模型2.3 RF特征重要性:2.4 特征对预测结果的影响2.5 交互作用2.6 替代模型(Decision tree surrogate model)2.7 LocalModel方法

1. 介绍

机器学习模型通常可以很好地进行预测,但无法解释。 iml包提供了用于分析任何黑匣子机器学习模型的工具:The iml package provides tools to analyze machine learning models and predictions.

机器学习步骤: 我们主要是想通过iml包理解机器学习的黑盒子的运行过程和原理。 在这里插入图片描述

2. 理解随机森林运行机理 2.1导入需要的包 library("iml") library(randomForest) library(partykit) library(glmnet) data("Boston", package = "MASS") head(Boston) 2.2 构建随机森林模型 set.seed(123) rf = randomForest(crim ~ ., data = Boston, ntree = 500,importance = T) 2.3 RF特征重要性:

特征重要性度量是通过改变每个特征并测量性能下降多少来起作用,而并非代表重要程度。回归分析中一般使用MAE(平均绝对误差),分类中一般使用MSE(均方误差)。

# 数据划分为自变量X和因变量y X = Boston[which(names(Boston) != "crim")] #X


【本文地址】


今日新闻


推荐新闻


CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3