版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/luyaran/article/details/82785640
在随机森林方法中，创建了大量的决策树，其中，每个观察结果都被送入每个决策树，并且每个观察结果最常用作最终输出。
之后对所有决策树进行新的观察，并对每个分类模型进行多数投票。
对于在构建树时未使用的情况进行错误估计，被称为OOB(Out-of-bag)错误估计，以百分比表示。
在R中的软件包“randomForest”用于创建随机森林，语法如下：
randomForest(formula, data)参数描述如下：
- formula - 是描述预测变量和响应变量的公式。
- data - 是使用的数据集的名称。
我们可以使用名为readingSkills的R内置数据集来创建一个决策树，前提就是我们知道变量："age","shoesize","score"以及"nativeSpeaker"表示该人员是否为讲母语的人，那么它描述某个人员的阅读技能的得分，样本数据如下：
# Load the party package. It will automatically load other required packages.
library(party)
# Print some records from data set readingSkills.
print(head(readingSkills))
输出结果为：
nativeSpeaker age shoeSize score
1 yes 5 24.83189 32.29385
2 yes 6 25.95238 36.63105
3 no 11 30.42170 49.60593
4 yes 7 28.66450 40.28456
5 yes 11 31.88207 55.46085
6 yes 10 30.07843 52.83124接下来，我们就要使用randomForest()函数来创建决策树并查看它生成的图形，如下：
setwd("D:/r_file")
# Load the party package. It will automatically load other required packages.
library("party")
library("randomForest")
# Create the forest.
output.forest <- randomForest(nativeSpeaker ~ age + shoeSize + score,
data = readingSkills)
# View the forest results.
print(output.forest)
# Importance of each predictor.
print(importance(output.forest,type = 2))输出结果如下：
从上图中所示的随机森林，我们可以得出结论，鞋子大小和得分是决定某人是否是母语者的重要因素，此外，该模型只有1％的误差，这意味着我们可以以99％的准确度预测。
好啦，本次记录就到这里了。
如果感觉不错的话，请多多点赞支持哦。。。