Tutorial R : Cara Menggunakan Random Forest di Pemrograman R Terbaru

Dalam pendekatan hutan acak, sejumlah besar pohon keputusan dibuat. Setiap pengamatan dimasukkan ke dalam setiap pohon keputusan. Hasil paling umum untuk setiap pengamatan digunakan sebagai keluaran akhir. Pengamatan baru dimasukkan ke semua pohon dan mengambil suara mayoritas untuk setiap model klasifikasi.

Perkiraan kesalahan dibuat untuk kasus-kasus yang tidak digunakan saat membangun pohon. Itu disebut perkiraan kesalahan OOB (Out-of-bag) yang disebutkan sebagai persentase.

Paket R "randomForest" digunakan untuk membuat hutan acak.

Instal Paket R.

Gunakan perintah di bawah ini di konsol R untuk menginstal paket. Anda juga harus menginstal paket dependen jika ada.

install.packages("randomForest)

Paket "randomForest" memiliki fungsi randomForest () yang digunakan untuk membuat dan menganalisis forest secara acak.

Sintaksis

Sintaks dasar untuk membuat hutan acak di R adalah -

randomForest(formula, data)

Berikut adalah deskripsi parameter yang digunakan -

• rumus adalah rumus yang mendeskripsikan variabel prediktor dan respon.

• data adalah nama kumpulan data yang digunakan.

Memasukan data

Kami akan menggunakan set data built-in R bernama readingSkills untuk membuat pohon keputusan. Ini menggambarkan skor keterampilan membaca seseorang jika kita mengetahui variabel "usia", "sepatu", "skor", dan apakah orang tersebut adalah penutur asli.

Berikut ini contoh datanya.

# Load the party package. It will automatically load other
# required packages.
library(party)

# Print some records from data set readingSkills.
print(head(readingSkills))

Ketika kami mengeksekusi kode di atas, ini menghasilkan hasil dan grafik berikut -

  nativeSpeaker   age   shoeSize      score
1           yes     5   24.83189   32.29385
2           yes     6   25.95238   36.63105
3            no    11   30.42170   49.60593
4           yes     7   28.66450   40.28456
5           yes    11   31.88207   55.46085
6           yes    10   30.07843   52.83124
Loading required package: methods
Loading required package: grid
...............................
...............................

Contoh

Kami akan menggunakan fungsi randomForest () untuk membuat pohon keputusan dan melihat grafiknya.

# Load the party package. It will automatically load other
# required packages.
library(party)
library(randomForest)

# Create the forest.
output.forest <- randomForest(nativeSpeaker ~ age + shoeSize + score, 
           data = readingSkills)

# View the forest results.
print(output.forest) 

# Importance of each predictor.
print(importance(fit,type = 2)) 

Ketika kita menjalankan kode di atas, hasilnya adalah sebagai berikut -

Call:
 randomForest(formula = nativeSpeaker ~ age + shoeSize + score,     
                 data = readingSkills)
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 1

        OOB estimate of  error rate: 1%
Confusion matrix:
    no yes class.error
no  99   1        0.01
yes  1  99        0.01
         MeanDecreaseGini
age              13.95406
shoeSize         18.91006
score            56.73051

Kesimpulan

Dari random forest yang ditunjukkan di atas kita dapat menyimpulkan bahwa shoesize dan skor adalah faktor penting yang menentukan apakah seseorang adalah native speaker atau bukan. Juga model hanya memiliki kesalahan 1% yang berarti kita dapat memprediksi dengan akurasi 99%.

Share :