随机森林（）和插入符号随机森林（方法=“rf”）的不同结果

Question

我是插入符号的新手，我只是想确保我完全理解它在做什么。为此，我一直在尝试复制我从 randomForest() 模型中获得的结果，使用插入符号的 train() 函数 for method="rf"。不幸的是，我无法获得匹配的结果，我想知道我忽略了什么。

我还要补充一点，鉴于 randomForest 使用引导生成样本以适应每个 ntree，并根据袋外预测估计误差，我对指定“oob”之间的区别有点模糊和 trainControl 函数调用中的“启动”。这些选项生成不同的结果，但都不匹配 randomForest() 模型。

虽然我已经阅读了 caret Package 网站 (http://topepo.github.io/caret/index.html)，以及似乎可能相关的各种 StackOverflow 问题，但我无法弄清楚为什么 caret method = "rf" 模型会产生不同的随机森林（）的结果。非常感谢您提供的任何见解。

这是一个可复制的示例，使用 MASS 包中的 CO2 数据集。

library(MASS)
data(CO2)

library(randomForest)
set.seed(1)
rf.model <- randomForest(uptake ~ ., 
                       data = CO2,
                       ntree = 50,
                       nodesize = 5,
                       mtry=2,
                       importance=TRUE, 
                       metric="RMSE")

library(caret)
set.seed(1)
caret.oob.model <- train(uptake ~ ., 
                     data = CO2,
                     method="rf",
                     ntree=50,
                     tuneGrid=data.frame(mtry=2),
                     nodesize = 5,
                     importance=TRUE, 
                     metric="RMSE",
                     trControl = trainControl(method="oob"),
                     allowParallel=FALSE)

set.seed(1)
caret.boot.model <- train(uptake ~ ., 
                     data = CO2,
                     method="rf",
                     ntree=50,
                     tuneGrid=data.frame(mtry=2),
                     nodesize = 5,
                     importance=TRUE, 
                     metric="RMSE",
                     trControl=trainControl(method="boot", number=50),
                     allowParallel=FALSE)

 print(rf.model)
 print(caret.oob.model$finalModel) 
 print(caret.boot.model$finalModel)

产生以下内容：

打印（rf.model）

      Mean of squared residuals: 9.380421
                % Var explained: 91.88

打印（caret.oob.model$finalModel）

      Mean of squared residuals: 38.3598
                % Var explained: 66.81

打印(caret.boot.model$finalModel)

      Mean of squared residuals: 42.56646
                % Var explained: 63.16

以及查看变量重要性的代码：

importance(rf.model)

importance(caret.oob.model$finalModel)

importance(caret.boot.model$finalModel)

Answer 1

在 train 中使用公式接口将因子转换为 dummy。要将caret 与randomForest 的结果进行比较，您应该使用非公式接口。

在您的情况下，您应该在trainControl 中提供一个种子，以获得与randomForest 相同的结果。

Section training 在插入符号网页中，有一些关于再现性的注释，其中解释了如何使用种子。

library("randomForest")
set.seed(1)
rf.model <- randomForest(uptake ~ ., 
                         data = CO2,
                         ntree = 50,
                         nodesize = 5,
                         mtry = 2,
                         importance = TRUE, 
                         metric = "RMSE")

library("caret")
caret.oob.model <- train(CO2[, -5], CO2$uptake, 
                         method = "rf",
                         ntree = 50,
                         tuneGrid = data.frame(mtry = 2),
                         nodesize = 5,
                         importance = TRUE, 
                         metric = "RMSE",
                         trControl = trainControl(method = "oob", seed = 1),
                         allowParallel = FALSE)

如果您要进行重采样，则应为每次重采样迭代提供种子，并为最终模型提供额外的种子。 ?trainControl 中的示例展示了如何创建它们。

在以下示例中，最后一个种子用于最终模型，我将其设置为 1。

seeds <- as.vector(c(1:26), mode = "list")

# For the final model
seeds[[26]] <- 1

caret.boot.model <- train(CO2[, -5], CO2$uptake, 
                          method = "rf",
                          ntree = 50,
                          tuneGrid = data.frame(mtry = 2),
                          nodesize = 5,
                          importance = TRUE, 
                          metric = "RMSE",
                          trControl = trainControl(method = "boot", seeds = seeds),
                          allowParallel = FALSE)

使用caret 和trainControl 中的种子正确定义非公式接口，您将在所有三个模型中获得相同的结果：

rf.model
caret.oob.model$final
caret.boot.model$final