R randomForest 用于分类

Question

我正在尝试使用 randomForest 进行分类，但我反复收到一条错误消息，似乎没有明显的解决方案（randomForest 在过去对我进行回归时效果很好）。我在下面粘贴了我的代码。 “成功”是一个因素，所有因变量都是数字。关于如何正确运行此分类的任何建议？

> rf_model<-randomForest(success~.,data=data.train,xtest=data.test[,2:9],ytest=data.test[,1],importance=TRUE,proximity=TRUE)

Error in randomForest.default(m, y, ...) : 
  NA/NaN/Inf in foreign function call (arg 1)

另外，这里是数据集的一个示例：

头部（数据）

success duration  goal reward_count updates_count comments_count backers_count     min_reward_level max_reward_level
True 20.00000  1500           10            14              2            68                1             1000
True 30.00000  3000           10             4              3            48                5             1000
True 24.40323 14000           23             6             10           540                5             1250
True 31.95833 30000            9            17              7           173                1            10000
True 28.13211  4000           10            23             97          2936               10              550
True 30.00000  6000           16            16            130          2043               25              500

Answer 1

您是否尝试过对相同数据进行回归？如果没有，请检查数据中的“Inf”值，并在删除 NA 和 NaN 后尝试将其删除。 您可以在下面找到有关删除 Inf 的有用信息，

R is there a way to find Inf/-Inf values?

例子，

Class V1    V2  V3  V4  V5  V6  V7  V8  V9
1   11  Inf 4   232 23  2   2   34  0.205567767
1   11  123 4   232 23  1   2   34  0.162357601
1   13  123 4   232 23  1   2   34  -0.002739357
1   13  123 4   232 23  1   2   34  0.186989878
2   67  14  4   232 67  1   2   34  0.109398677
2   67  14  4   232 67  2   2   34  0.18491187
2   67  14  4   232 34  2   2   34  0.098728256
2   44  769.03  4   21  34  2   2   34  0.204405869
2   44  34  4   11  34  1   2   34  0.218426408

# When Classification was performed, following error pops out.
rf_model<-randomForest(as.factor(Class)~.,data=data,importance=TRUE,proximity=TRUE)
Error in randomForest.default(m, y, ...) : 
NA/NaN/Inf in foreign function call (arg 1)

# Regression was performed, following error pops out.
rf_model<-randomForest(Class~.,data=data,importance=TRUE,proximity=TRUE)
Error in randomForest.default(m, y, ...) : 
NA/NaN/Inf in foreign function call (arg 1)

因此，请非常仔细地检查您的数据。 另外：警告信息： 在 randomForest.default(m, y, ...) ： 响应具有五个或更少的唯一值。您确定要进行回归吗？

Answer 2

这是因为您的变量之一有超过 32 个级别。 级别意味着一个变量的不同值。 删除该变量，然后重试。

Answer 3

除了存在 NA 等明显事实之外，此错误几乎总是由数据集中存在字符特征类型引起的。理解这一点的方法是考虑随机森林的真正作用。您正在按功能对数据集进行分区。因此，如果其中一个特征是字符向量，您将如何划分数据集？您需要类别来对数据进行分区。有多少“男性”与“女性” - 类别...

对于年龄或价格等数字特征，您可以通过分桶创建类别；大于某个年龄，小于某个价格等。你不能用纯粹的性格特征来做到这一点。因此，您需要将它们作为数据集中的因素。

Answer 4

一般来说，您收到此错误消息的主要原因有 2 个：

1. 如果数据框包含字符向量列而不是因子。只需将您的字符列转换为一个因子

2.如果数据包含错误值，应用随机森林也会产生此错误。头部不会显示异常值。例如：

x = rep(x = sample(c(0,1)), times = 24)

y = c(sample.int(n=50,size = 40),Inf,Inf)

df = data.frame(col1 = x , col2 = y )

head(df)
    col1 col2
>  1    1   26
>  2    0   33
>  3    1   23
>  4    0   21
>  5    1   45
>  6    0   27

现在对 df 应用 randomForest 会导致同样的错误：

model = randomForest(data = df , col2 ~ col1 , ntree = 10)

randomForest.default(m, y, ...) 中的错误： 外部函数调用中的 NA/NaN/Inf (arg 2)

解决方案：让我们识别 df 中的错误值。如上所述 is.finite() 方法检查输入向量是否包含正确的有限值。例如：

is.finite(c(5,6,1000000,NaN,Inf))
[1] 真真真假假

现在让我们识别数据框中包含错误值的列并计算它们。

sum(!is.finite(as.vector(df[,names(df) %in% c("col2")])))
[1] 4
sum(!is.finite(as.vector(df[,names(df) %in% c("col1")])))
[1] 0

让我们放弃这些记录，只记录好的记录：

df1 =df[is.finite(as.vector(df[,names(df) %in% c("col2")])) &
is.finite(as.vector(df[,names(df) %in% c("col1")])) , ]

然后再次运行 randomForest：

model1 = randomForest(data = df1, col2 ~ col1, ntree = 10)
致电：
随机森林（公式 = col2 ~ col1，数据 = df1，ntree = 10）

Answer 5

只需将所有列转换为因子，即可避免此错误。 即使我面临这个错误。 该列，特别是未转换为因子的列。我为此专门写了 as.factor 。 最后我的代码成功了。