रैंडम फॉरेस्ट्स

R में Supervised Learning: Regression

Nina Zumel and John Mount

Win-Vector, LCC

कई विविध डिसीजन ट्री का औसत

रैंडम फॉरेस्ट मॉडल बनाना

ट्रेनिंग डेटा से बूटस्ट्रैप्ड सैंपल लें
हर सैंपल पर एक ट्री उगाएँ
- हर नोड पर, सभी वैरिएबल्स के रैंडम सबसेट में से स्प्लिट के लिए सर्वश्रेष्ठ वैरिएबल चुनें
- ट्री पूरा होने तक जारी रखें
स्कोर करने के लिए, डेटम को सभी ट्री से पास करें और औसत लें.

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

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

formula, data
num.trees (डिफॉल्ट 500) - कम से कम 200 रखें
mtry - हर नोड पर ट्राई करने वाले वैरिएबल्स की संख्या
- डिफॉल्ट: कुल वैरिएबल्स की स्क्वायर रूट
respect.unordered.factors - "order" पर सेट करने की सलाह
- केटेगोरिकल वैरिएबल्स का "safe" हैशिंग

model

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

रैंडम फॉरेस्ट एल्गोरिदम आउट-ऑफ-सैंपल परफॉर्मेंस के अनुमान लौटाता है.

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

predict() के इनपुट:

भविष्यवाणियाँ predictions एलिमेंट में मिलती हैं.

RMSE निकालें:

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 में Supervised Learning: Regression