R语言临床预测模型-随机森林

随机森林简介

• 随机森林是有监督的学习方法。在模型中，同时生成多个预测模型，并将模型的结果汇总以提升准确率。
• 随机森林涉及对样本和变量进行抽样，从而生成大量的决策树
• 对于样本（观察对象来说），所有决策树依次对其进行预测。所有决策树的众数（预测结果是分类变量）或平均数（预测结果是连续型变量）作为这一样本的最终预测结果
• 生成决策树时未用到的样本类型也可由决策树估计，其预测结果是由所有决策树估计的众数或平均值决定。与真实结果比较可以得到袋外预测误差（OOB）。当没有验证数据时，这是随机森林的一个优势。

随机森林算法

假设数据集共有N个样本，M个变量，其算法如下：

• 从数据集中随机有/无放回的抽取N个样本，生成大量决策树
• 每一个节点随机抽取m（小于M）个变量，将其作为分割该节点的候选变量。每个节点处的变量树应该一致。
• 完整的生成所有决策树
• 终端节点所属类别由节点对应的众数决定
• 对于新的观测点有所有树对其进行分类，其类别由多数决定原则生成。

随机森林的优势

• 可以处理大量的输入变量
• 可以评估变量的重要性
• 建造模型时使用无偏估计，模型泛化能力强
• 当数据缺失较多时，仍可以维持一定的精确度
• 可以处理混合数据（数值型和因子型）

R代码

原发性胆汁性肝硬化数据

参考

• randomForest