33、提升模型性能与处理专业数据的技巧

提升模型性能与处理专业数据的技巧

一、随机森林模型

1.1 随机森林的优缺点

随机森林相对于其他基于集成的方法具有很强的竞争力，以下是其优缺点：
| 优点 | 缺点 |
| — | — |
| - 通用模型，在大多数问题上表现良好
- 可以处理噪声或缺失数据，以及分类或连续特征
- 仅选择最重要的特征
- 可用于具有大量特征或示例的数据 | - 与决策树不同，模型不易解释
- 可能需要对数据进行一些调整以优化模型 |

1.2 训练随机森林

在R中创建随机森林有多个包， randomForest 包最符合Breiman和Cutler的规范，并且得到了 caret 包的支持以进行自动调优。训练模型的语法如下：

# 默认情况下，randomForest() 函数创建一个包含500棵树的集成，在每次分裂时考虑 sqrt(p) 个随机特征，其中 p 是训练数据集中的特征数量
library(randomForest)
set.seed(300)
rf <- randomForest(default ~ ., data = credit)

下面是对模型性能进行总结查看的代码：

rf

输出结果示例：

Call:
 randomForest(formula = default ~ .,