r - 如何理解 randomForest R 包中“数据”和“子集”的参数？

Question

论据

• data：包含模型中变量的可选数据框。默认情况下，变量取自 randomForestis 调用的环境

• subset：指示应使用哪些行的索引向量。（注意：如果给定，这个参数必须命名。）

我的问题：

1. 为什么data参数是“可选的”？如果data是可选的，训练数据来自哪里？“默认情况下，变量取自 randomForestis 调用的环境”究竟是什么意思？

2. 为什么我们需要这个subset参数？假设我们有iris数据集。如果我想使用前 100 行作为训练数据集，我只需选择training_data <- iris[1:100,]. 何必？使用有什么好处subset？

标签： rrandom-forest

Answer 1

1. 这不是一种不常见的方法，当然也不是randomForests.

   mpg <- mtcars$mpg
   disp <- mtcars$disp
   lm(mpg~disp)
   # Call:
   # lm(formula = mpg ~ disp)
   # Coefficients:
   # (Intercept)         disp  
   #    29.59985     -0.04122  
   

   因此，当lm（在这种情况下）尝试解析公式中引用的变量时mpg~disp，它会查看data是否提供，然后在调用环境中查看。进一步的例子：

   rm(mpg,disp)
   mpg2 <- mtcars$mpg
   lm(mpg2~disp)
   # Error in eval(predvars, data, env) : object 'disp' not found
   lm(mpg2~disp, data=mtcars)
   # Call:
   # lm(formula = mpg2 ~ disp, data = mtcars)
   # Coefficients:
   # (Intercept)         disp  
   #    29.59985     -0.04122  
   

   （请注意mpg2不在 中mtcars，因此这使用了两种方法来查找数据。我不使用此功能，而是更喜欢在调用中提供所有数据的弹性步骤；如果这样，不难想到可重现性受到影响的示例并非如此。

2. 类似地，许多类似的函数（包括lm）都允许这个subset=参数，所以randomForests包含它的事实是一致的。我相信这只是一个方便的论点，因为以下大致等价：

   lm(mpg~disp, data=mtcars, subset= cyl==4)
   
   lm(mpg~disp, data=mtcars[mtcars$cyl == 4,])
   
   mt <- mtcars[ mtcars$cyl == 4, ]
   lm(mpg~disp, data=mt)
   

   的使用subset允许稍微简单的引用（cylvs mtcars$cyl），并且当引用变量的数量增加时（即，出于“代码高尔夫”的目的），它的实用性会更加复杂。但这也可以通过其他机制来完成，例如with，所以……主要是个人喜好。

编辑：正如 joran 所指出的，randomForest（和其他人，但值得注意的 lm是）可以使用公式调用，这是您通常使用 data 参数的地方，或者通过单独指定预测器/响应参数和参数x，y如以下示例取自?randomForest（忽略其他不一致的参数）：

iris.rf <- randomForest(Species ~ ., data=iris, importance=TRUE, proximity=TRUE)
iris.rrf <- randomForest(iris[-1], iris[[1]], ntree=101, proximity=TRUE, oob.prox=FALSE)