首页 文章

R中随机森林中的二元分类或未知类

提问于
浏览 次
2

有没有办法在随机森林中引入“未知”类别或进行二元分类？

我想将数据提供给随机森林，如果投票百分比超过70％，我只想分类 . 我总共有6个类别，所以我最初做的是创建一个随机森林，并且截止值自动默认为 c(16.6, 16.6, 16.6, 16.6, 16.6, 16.6) . 这是相当低的，所以相反，我想要：

  • 为每个类别（共6个）创建一个随机森林，它使用二进制分类（它属于类别或不属于 - 因此未知），然后将未知数据提供给下一个树，依此类推 .

  • 或者，我希望能够坚持一个随机森林，但是要引入新的截止值，这允许我指定'winning'类必须具有大于70％的投票比例，以及任何不具有't is labelled '的数据未知' .

第二种方式目前存在问题，因为截止值需要总和为1，并且第一个建议是一个问题，因为我似乎无法弄清楚如何在R中进行二进制分类 .

无论如何，是否可以克服其中任何一个，并引入“未知”类别？谢谢

r machine-learning classification random-forest prediction

1 回答

  • 4

    我建议你保持简单，不要创建多个互连的二进制射频模型 . 您可以采用另一种聚合规则而不是“多数投票” . 您可以从每个预测的样本中提取投票分布，并从此处实现，例如， 70％的多数人统治

    enter image description here

    @“第二种方式目前存在问题，因为截止值需要总和为1” - 技术上，截止值不需要总和为1 . 在randomForest中，类预测除以相应的类截止值，最大数字是多数赢家 .

    library(randomForest)
library(plotrix)
set.seed(1234)
data(iris)
#iris is too easy and therefore applying jitter
iris[1:4] = lapply(iris[1:4],jitter,amount=2)
plot(iris,col=iris$Species)
test = sample(150,25) #reserve a test set
rf = randomForest(Species~.,data=iris[-test,])

#predict test, use type=prob to extract vote fractions
preds = predict(rf,iris[test,],type="prob") 

#make 70% rule
class.winner = apply(preds,1,function(aPred) c(which(aPred>=.7),NA)[1]) 

#plot prediction in probability simplex
triax.plot(preds,col.symbols=iris$Species[test],main="col is true class, o is all pred, x is >=70% preds")
triax.points(preds,col.symbols=unlist(class.winner),pch=4)
    回复于

相关问题