R输入语言“随机森林”

 >需要（“随机森林”）
 加载所需包：随机森林
 随机森林 4.6 - 7
 键入rfNews（）来查看新功能 /更改/ bug修复。

 > TuneRF（D [ - 8 ]，D [1,8]，DOBEST = T）的
 mtry = 2 OOB错误= 6.43％ 
搜索留...
 mtry = 1 OOB错误= 9.23％ 
 - 0.4352332 0.05 
搜索正确的...
 mtry = 4 OOB错误= 6.6％ 
 - 0.02590674 0.05 

 致电：
  随机森林（X = X，Y = Y，mtry =水库[which.min（RES [2]），1]） 
               随机森林类型 ：分类
                      株数 ：500
 变量号试图在每个分割： 2

        错误率估计OOB：6.4％
 混淆矩阵：
      否是class.error
 没有 1399 101 0.06733333
 是 91 1409 0.06066667
 ＃首调：mtry = 2是可能的最好的。 

 > D.rf < -跨度=“” >随机森林（CV〜，D，mtry = 2）＃Mtry = 2在随机森林（）函数>打印（d.rf）呼叫:.随机森林分类的参数（公式= CV〜，数据= D， mtry = 2）随机森林:.树木分类号码类型：变量500号试图在每个分割：误差率2 OOB估计：6.37％混淆矩阵：否是class.error 没有1403 97 0.06466667是94 1406 0.06266667 ＃OOB误差为6.37％。不坏的结果。>重要性（d.rf）MeanDecreaseGini A1 A2 20.320854 11.490523 A3 A4 2.380128 A5 203.135651 A6 75.415005 A7 783.553501＃2.679649决策树类似变量的重要程度是..放出来，这也是很重要 >表（D $ CV，预测（d.rf，D [ - 8]））否是否1409 91 83是1417＃判断答对率为94.2％。   不坏的结果。 

>需要（“随机森林”）
> Train_dat < - 读取的.csv =“”标题=“TRUE）</ SPAN”kaggle =“”议付适用银行=“”train.csv =“”>
> STR（train_dat）

> Train_dat $节日< - 正如=“”字体=“”>因子（train_dat $假日）

> Train_dat $ workingday < - as.factor =“”跨度=“”train_dat =“”workingday =“”>
> Train_dat $天气< - as.ordered =“”跨度=“”train_dat =“”>天气）
> Train_dat $赛季< - as.ordered =“”跨度=“”train_dat =“”>季）

train_dat $日期时间= as.POSIXct（train_dat $ DATETIME）


> TuneRF（train_dat [，C（-10，-11，-12），train_dat [12]，DOBEST = T）

  mtry = 3 OOB错误= 16201.56 

  搜索留... 
  mtry = 2 OOB错误= 17056  
  -0.05273804 0.05  
  搜索正确的... 
  mtry = 6 OOB错误= 15210.13  
  0.06119329 0.05  
  mtry = 9 OOB错误= 14763.69 
  0.02935166 0.05  

  致电： 
   随机森林（X = X，Y = Y，mtry =水库[which.min（RES [2]），1]）  
                 随机森林类型：回归 
                       株数：500 
  变量号试图在每个分割： 9 

            平均残差平方：14300.74 
                      ％无功解释说：56.41 
  > 

  ＃首调：mtry = 9是有可能的最好的。 
  > Train_dat。RF <-randomforest span=""> “synSpecial”字型=“”>（计数   〜，Train_dat [，C（ -10，-11），mtry = 9） 

  >打印（train_dat.rf） 

  致电： 
   随机森林（公式=计数〜，数据= train_dat [，C（-10，-11），mtry = 9）  
                 随机森林类型：回归 
                       株数：500 
  变量号试图在每个分割： 9 

            平均残差平方：14306.06 
                      ％无功解释说：56.4 

  ＃读取测试数据 

  train_dat> <！ -读的.csv =“ ”FONT-FAMILY：=“”哥特式=“”标题=“TRUE）</ SPAN> 
“白色空间：=”“ > STR（train_dat）

  > Test_dat < -读取的.csv =“”标题=“TRUE）</ SPAN”kaggle =“”议付适用银行=“”test.csv =“”> 

  > STR（test_dat） 

  > Test_dat $节日< - as.factor = “”节日=“”跨度=“”test_dat =“”>> $ test_dat workingday < - as.factor =“”跨度=“”test_dat =“”workingday =“”> > test_dat $天气< - as.ordered = “”跨度=“”> test_dat $天气）> test_dat $赛季< - as.ordered =“”跨度=“”> test_dat $季节） 

 > TuneRF（train_dat [，C（ -10，-11，-12），train_dat [12]，DOBEST = T） 

  ñ< - nrow（IRIS）
 小号< -样品（N，N- * 0.5）
 iris.train < -虹膜[S，]
 iris.test < -虹膜[-s，] 

  ＃随机森林
 森林< -随机森林（物种〜 ，数据= iris.train，ntree = 500）
 pred.forest < -预测（森林，newdata = iris.test，TYPE =“类”）
 表（pred.forest，iris.test [5 ]）

 ＃决策树
 树< - （物种〜rpart包 ，数据= iris.train）
 pred.rpart <-predict iris.test="" span=""> TYPE =“类”）
 表（pred.rpart，iris.test [5 ]）

 ＃重要性
 getTree（森林，1，labelVar = TRUE）
 varImpPlot（林）

 ＃报告
 split.screen（三（2，1） ）
 split.screen（C（1，3） ，屏幕= 2）
 屏幕（3）; partialPlot（森林 ，虹膜，Petal.Length，“setosa”）
 屏幕（4）; partialPlot（森林 ，虹膜，Petal.Length，“花斑癣”）
 屏幕（5）; partialPlot（森林 ，虹膜，Petal.Length，“弗吉尼亚”）
 split.screen（三（2，1） ，屏幕= 1）
 屏幕（1）;图（森林 ） 
 close.screen（全部= T）