R与Matlab和Python之间的随机森林差异

Question

我将三种不同编程语言中的随机森林算法应用于同一个伪样本数据集（1000 个 obs，二进制 1/0 因变量，10 个数值解释变量）：

1. Matlab 2015a（与 2012a 相同）使用 “Treebagger” 命令（统计和机器学习工具箱的一部分）
2. R 使用 "randomForest" 包：https://cran.r-project.org/web/packages/randomForest/index.html
3. Python 使用来自 sklearn.ensemble 的 "RandomForestClassifier"：http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html

我还尝试在编程语言中保持所有模型参数相同（树的数量、整个样本的引导抽样、每次拆分时随机抽样作为候选者的变量数量、衡量拆分质量的标准） .

虽然 Matlab 和 Python 产生基本相同的结果（即概率），但 R 结果却大不相同。

一方面由 R 产生的结果与另一方面由 Matlab 和 Python 产生的结果之间存在差异的可能原因是什么？

我猜有一些默认模型参数在 R 中有所不同，我不知道，或者在底层 randomForest 包中硬编码。

我运行的具体代码如下：

Matlab：

 b = TreeBagger(1000,X,Y, 'FBoot',1, 'NVarToSample',4, 'MinLeaf',1, 'Method', 'classification','Splitcriterion', 'gdi')
 [~,scores,~] = predict(b,X);

Python：

 clf = RandomForestClassifier(n_estimators=1000, max_features=4, bootstrap=True)
 scores_fit = clf.fit(X, Y)
 scores = pd.DataFrame(clf.predict_proba(X))

R：

 results.rf <- randomForest(X,Y,  ntree=1000, type = "classification", sampsize = length(Y),replace=TRUE,mtry=4)
 scores <- predict(results.rf, type="prob",
    norm.votes=FALSE, predict.all=FALSE, proximity=FALSE, nodes=FALSE)

Answer 1

当您在 R 中的 randomForest 对象上调用 predict 而不提供数据集时，它会返回袋外预测。在您的其他方法中，您将再次传入训练数据。我怀疑如果你在 R 版本中这样做，你的概率会相似：

 scores <- predict(results.rf, X, type="prob",
    norm.votes=FALSE, predict.all=FALSE, proximity=FALSE, nodes=FALSE)

另请注意，如果您想要无偏概率，返回 OOB 预测的 R 方法是对训练数据进行预测时的最佳方法。