>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
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 >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
>
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）
