r - 如何计算随机森林的OOB？

Question

我正在比较一些模型以获得最佳模型。现在，我想得到一个随机森林模型的 OOB 错误，以将其与其他一些模型的交叉验证错误进行比较。我可以做比较吗？如果可以，如何通过 R 代码获取 OOB 错误？

Answer 1

要在 R 中获取随机森林模型的 OOB，您可以:

library(randomForest)

set.seed(1)
model <- randomForest(Species ~ ., data = iris)

OOB 错误在:

model$err.rate[,1]

其中第 i 个元素是直到第 i 个树的 (OOB) 错误率。

可以绘制它并检查它是否与为 rf 模型定义的绘图方法中的 OOB 相同:

par(mfrow = c(2,1))
plot(model$err.rate[,1], type = "l")
plot(model)

OOB 对于选择超参数 mtry 和 ntree 很有用，并且应该与 k-fold CV 相关，但不应使用它来将 rf 与不同类型的测试模型进行比较通过 k 倍 CV。OOB 很棒，因为它几乎是免费的，而 k-fold CV 则需要运行 k 次。

在 R 中运行 k-fold CV 的一种简单方法是:

定义折叠(将 5 替换为 k(正整数 >1)以运行 k -fold CV:

folds <- sample(1:5, size = nrow(iris), replace = T) #5 fold CV

这种方法不会给出相同大小的折叠(尤其是对于较小的数据集)，这通常没什么大不了的。

table(folds)
#output
 1  2  3  4  5 
30 28 28 33 31 

解决这个问题:

folds <- sample(rep(1:5, length.out = nrow(iris)), size = nrow(iris), replace = F)

table(folds)
#output
 1  2  3  4  5 
30 30 30 30 30 

在 4 个折叠中的每一个上训练模型并在第 5 次进行预测。这里我只返回一个包含预测和实际值的数据帧列表，可以自定义调用以返回他想要的任何统计数据。

CV_rf <- lapply(1:5, function(x){ #5 corresponds to the number of folds defined earlier
  model <- randomForest(Species ~ ., data = iris[folds != x,])
  preds <- predict(model,  iris[folds == x,], type="response")
  return(data.frame(preds, real = iris$Species[folds == x]))
  })

您可以使用相同的代码来获得岭模型的性能。

将数据框列表转换为数据框:

CV_rf <- do.call(rbind, CV_rf)

检查准确性

caret::confusionMatrix(CV_rf$preds, CV_rf$real) 
#part of output:
Overall Statistics

               Accuracy : 0.9533         
                 95% CI : (0.9062, 0.981)
    No Information Rate : 0.3333         
    P-Value [Acc > NIR] : < 2.2e-16 

所以这里的准确度是 0.9533

而第 500 个(500 个默认适合 rf)树的 OOB 是:

model$err.rate[500,1]
#OOB 
0.04666667 

它们完全一样，完全击败了我的观点，但是例如尝试运行 10 倍 CV 或 3 倍，你会发现它们不一样。

另一种方法是使用 caret 或 mlr 库。我不使用 mlr 但 caret 非常适合这样的任务。这里是 something让您开始使用插入符号和射频。此外插入符号具有出色的documentation .即使您不打算使用该软件包，我也可以推荐它。