Rastgele ormanlar

R'de Supervised Learning: Regresyon

Nina Zumel and John Mount

Win-Vector, LCC

Rastgele Ormanlar

Birden çok çeşitli karar ağacının ortalaması

Eğitim verisinden bootstrapped örnek çek
Her örnek için bir ağaç büyüt
- Her düğümde, tüm değişkenlerin rastgele bir alt kümesinden en iyi bölünecek değişkeni seç
- Ağaç tamamlanana kadar devam et
Bir veriyi puanlamak için, tüm ağaçlarda değerlendir ve sonuçların ortalamasını al.

cnt ~ hr + holiday + workingday + 
  weathersit + temp + atemp + hum + windspeed

model <- ranger(fmla, bikesJan, 
                num.trees = 500, 
                respect.unordered.factors = "order")

formula, data
num.trees (varsayılan 500) - en az 200 kullan
mtry - her düğümde denenecek değişken sayısı
- varsayılan: toplam değişken sayısının karekökü
respect.unordered.factors - "order" olarak ayarlanması önerilir
- kategorik değişkenlerin "güvenli" hash'lenmesi

model

Ranger result
...
OOB prediction error (MSE):       3103.623 
R squared (OOB):                  0.7837386

Rastgele orman algoritması, örnek dışı performansın tahminlerini döndürür.

bikesFeb$pred <- predict(model, bikesFeb)$predictions

predict() girdileri:

Tahminlere predictions öğesinden erişebilirsin.

RMSE'yi hesapla:

bikesFeb %>% 
  mutate(residual = cnt - pred) %>%
  summarize(rmse = sqrt(mean(residual^2)))

      rmse
1 67.15169

Model	RMSE
Quasipoisson	69.3
Random forests	67.15

R'de Supervised Learning: Regresyon