随机森林（R）

#### random forest ############
install.packages('randomForest')
library(randomForest)   
data(iris)  
attach(iris)
table(iris$Species)
class=as.factor(iris$Species)

######描述 ############
biplot(princomp(iris[,1:4], cor=TRUE))
set.seed(100)   
ind=sample(2,nrow(iris),replace=TRUE,prob=c(0.75,0.25))  

#### 训练集、测试集########
train=iris[ind==1,]
test=iris[ind==2,]
####两种模型机制 ###############
###### 1、模型#############
iris.rf1=randomForest(Species~.,train,ntree=50,nPerm=10,mtry=3,proximity=TRUE,importance=TRUE)   
print(iris.rf1)   
iris.pred1=predict( iris.rf1,iris[ind==2,] )   
table(observed=iris[ind==2,"Species"],predicted=iris.pred1 )  

######2、数据集 ############
RF2 <- randomForest(train[,-5], train[,5],prox=TRUE, importance=TRUE)
imp <- importance(RF2)
impvar <- imp[order(imp[, 3], decreasing=TRUE),]; impvar

varImpPlot(RF2)


一些重要参数说明
randomForest()对训练集的数据进行处理，生成决策树
iris.rf=randomForest(Species~.,iris[ind==1,],ntree=50,nPerm=10,mtry=3,proximity=TRUE,importance=TRUE)
Species~.:代表需要预测的列，species是列的名称。
iris[ind==1,]：生成决策树的训练集
ntree：生成决策树的数目
nperm：计算importance时的重复次数
mtry：选择的分裂属性的个数
proximity=TRUE：表示生成临近矩阵
importance=TRUE：输出分裂属性的重要性
predict（）
iris.pred=predict( iris.rf,iris[ind==2,] )
iris.rf：表示生成的随机森林模型
iris[ind==2,] ：进行预测的测试