运行 randomForest 的因子变量和字符变量之间的差异

Question

如果我运行 randomForest(y ~ x, data = df) 模型，x 会得到一个超过 53 个级别的因子变量

Error in randomForest.default(m, y, ...) : 
  Can not handle categorical predictors with more than 53 categories.

如果我将 x 更改为 as.character(x) 并重新运行，我不会收到任何错误。

幕后有什么不同？这两种类型不都被视为分类变量吗？

Answer 1

我猜每个类别的名称都是一个数值（因为randomForest() 不能将character class 包含在字符中）。 randomForest() 将由数值组成的 character class 视为数值变量（即 numeric class），而不是分类变量（即 factor class）。如果您更改每个类别的名称，结果会发生变化。

这是我的例子。如果 x_ 是 factor class，则返回相同的结果。如果 x_ 是 integer class 或 character class (but composed of numeric value)，则输出取决于值。 as.character(x) 得到的结果是 CLEARY WRONG !!

set.seed(1); cw <- data.frame(y = subset(ChickWeight, Time==18)$weight, x1 = sample(47) )
cw$x2 <- as.factor(cw$x1)
cw$x3 <- as.character(cw$x1)
cw$x4 <- 47:1
cw$x5 <- as.factor(47:1)
cw$x6 <- as.character(47:1)
cw$x7 <- c(letters, LETTERS[1:21])
cw$x8 <- as.factor(cw$x7)
                               # %Var explained # class(x_)
set.seed(1); randomForest(y ~ x1, cw) # -29.61  integer1
set.seed(1); randomForest(y ~ x2, cw) # -0.42   factor
set.seed(1); randomForest(y ~ x3, cw) # -29.61  character (numeric name1)
set.seed(1); randomForest(y ~ x4, cw) # -31.78  integer2
set.seed(1); randomForest(y ~ x5, cw) # -0.42   factor
set.seed(1); randomForest(y ~ x6, cw) # -31.78  character (numeric name2)
set.seed(1); randomForest(y ~ x7, cw) # error   character (letter name)
set.seed(1); randomForest(y ~ x8, cw) # -0.42   factor