r - 对于 R 中的随机森林模型，predict() 函数和 model$predicted 有什么区别？

Question

使用随机森林包:-

#install.packages("randomForest")
library(randomForest)

我使用在线代码在我的系统上运行随机森林。我得到了一个具有混淆矩阵和准确性等的模型。现在，我的数据采用训练集和验证集的形式。我从这里获取数据:- https://archive.ics.uci.edu/ml/machine-learning-databases/car/我按照70%-30%的比例划分(分别是训练-验证)。然后我在上面运行了一个模型。模型结果给了我一个答案，即对于运行随机森林的变量的一个特定值，大约 30 个观测值被错误分类。以下是示例数据:-

     BuyingPrice Maintenance NumDoors NumPersons Bootspace Safety Condition
        vhigh         low        4          4       med    low     unacc
        vhigh         med        2          4       med   high       acc
        vhigh         med        2       more     small   high     unacc
        vhigh        high        3          4       big   high     unacc
        vhigh         med        4       more     small    med     unacc
         low         low        2       more       med    med       acc 

随机森林的运行是为了预测最后一个变量“条件”。以下是模型摘要

Call:
 randomForest(formula = Condition ~ ., data = TrainSet, ntree = 500,      
mtry = 6, importance = TRUE) 
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 6

        OOB estimate of  error rate: 2.48%
Confusion matrix:
      acc good unacc vgood class.error
acc   244    4     6     2  0.04687500
good    3   44     1     0  0.08333333
unacc  11    1   843     0  0.01403509
vgood   2    0     0    47  0.04081633

如果我们取表格的第一行(就在我们上面的行)，我们会看到值“acc”有 244 个正确的预测 (95%) 和 12 个错误的预测。同样，“good”有 44 次正确预测(91%)和 4 次错误预测。其他两个依此类推。错误预测总数为 30 (12+4+12+2)现在，从技术上讲，该模型的预测值应与实际值相差 30 个错误分类值。现在我尝试通过两种方法获取预测值:-

    1. First method :- model2$predicted.
    2. Second method :- predTrain <- predict(model2, TrainSet, type = "class")

第一种方法为我提供了一个与实际值有 30 个地方不同的预测值集，而第二种方法为我提供了一个与实际值完全相同的数据集。我认为第一种方法是正确的，但链接中的人使用了第二种方法。

 https://www.r-bloggers.com/how-to-implement-random-forests-in-r/

不确定我的概念哪里出了问题请帮忙。PS:-我知道有人问过类似的问题，但我觉得这个问题和下面的答案对我来说都不够详细或容易解释。这就是为什么我问了一个新问题。

示例代码

set.seed(100)
train <- sample(nrow(data1),0.7*nrow(data1),replace=FALSE)
TrainSet <- data1[train,]
ValidSet <- data1[-train,]
model2 <- randomForest(Condition ~ ., data = TrainSet, ntree = 500, mtry=6, 
importance = TRUE)
predTrain <- predict(model2, TrainSet, type = "class")
new1 <- data.frame(actual = TrainSet$Condition, predicted = predTrain)
new2 <- data.frame(actual = TrainSet$Condition, predicted = 
model2$predicted)
new1$third <- 0
for(i in 1:nrow(new1))
{
if(new1[i,1] == new1[i,2])
{
new1[i,3] = 1
}else{
new1[i,3] = 0
}
}
new2$third <- 0
for(i in 1:nrow(new2))
{
  if(new2[i,1] == new2[i,2])
  {
    new2[i,3] = 1
  }else{
    new2[i,3] = 0
  }
}

谢谢，阿拜

Answer 1

根据 randomForest 函数的文档:预测:基于袋外样本的输入数据的预测值。

因此，观测值的预测值是通过不使用该观测值的模型获得的。

预测函数将学习到的模型应用于新数据，但不知道它们用于训练。因此任何观察都可用于学习和预测。

您应该使用预测输出，因为每个预测值都是在没有用于训练的相应观察值的情况下计算的。