R 随机森林分类和训练/测试分割

我在机器学习方面迈出了第一步，尤其是R。我以前使用过python的sklearn，但我对R完全不熟悉。为了一个大学项目，我尝试在一个基因表达式数据集上创建一个随机林，用于教育目的。我试图通过各种脑细胞的基因表达来预测精神障碍（双相情感障碍、抑郁症或精神分裂症）。我的脚本当前如下所示：

library(randomForest)

train_ind <- sample.int(n = nrow(GSMdata),
                         size = floor(0.75*nrow(GSMdata)),
                         replace = F)
RFtrainSet <- data[,train_ind]
RFtestSet <- data[,-train_ind]
RFtrainLabel <- GSMdata$Disease_State[train_ind]
RFtestLabel <- GSMdata$Disease_State[-train_ind]

RFmodel <- randomForest(x = t(RFtrainSet),
                        y = RFtrainLabel,
                        ntree = 100)

table(RFtestLabel, predict(object = RFmodel, 
                           newdata = t(RFtestSet)))

RFtestLabel                 bipolar disorder control major depressive disorder schizophrenia
  bipolar disorder                         0       7                         6             7
  control                                  0       7                         6             0
  major depressive disorder                0       5                         2             2
  schizophrenia                            0       1                         7             2

通常，当我对数据进行采样时，一个类不会出现在测试数据集中，正如您在上面的示例中所看到的那样。这是个问题吗？如果是，是否有一个函数可以帮助我获得均匀的测试样本

数据示例

数据

矩阵：

          GSM1304852  GSM1304853  GSM1304854 GSM1304855 GSM1304856
1007_s_at  2.3945368  2.27518369  2.16116298  1.9641833  2.1322526
1053_at    0.1051084  0.06160802  0.34217618  0.3593916  0.2235696
117_at    -0.4597124 -0.52310349 -0.44360591 -0.6370277 -0.3511470
121_at     0.9333566  1.13180904  0.99756999  1.0079778  0.9720455
1255_g_at -0.2399138  0.10112324 -0.04087979 -0.2185137 -0.2991786

GSMdata

示例：

                   title geo_accession Age    Disease_State Gender  pH  PMI Race RIN      tissue
GSM1304852 bipolar_hip_10    GSM1304852  52 bipolar disorder      M 6.7 23.5    W 6.3 hippocampus
GSM1304853 bipolar_hip_11    GSM1304853  50 bipolar disorder      F 6.4 11.7    W 6.8 hippocampus
GSM1304854 bipolar_hip_12    GSM1304854  28 bipolar disorder      F 6.3 22.3    W 7.7 hippocampus
GSM1304855 bipolar_hip_13    GSM1304855  55 bipolar disorder      F 6.4 17.5    W 7.6 hippocampus
GSM1304856 bipolar_hip_14    GSM1304856  58 bipolar disorder      M 6.8 27.7    W 7.0 hippocampus

---

这里有一个快速的dplyr解决方案，可以在类内进行采样，不需要特殊的函数。我以iris数据集为例，但您可以快速地将其适应于您的数据

library(dplyr)
data(iris)
labels <- iris %>% dplyr::select(Species) %>% 
    sample_frac(1) %>% 
    group_by(Species) %>% 
    mutate(set = rep(c(rep("train",3),"test"), length.out=n()))

table(labels$Species, labels$set)

             test train
  setosa       12    38
  versicolor   12    38
  virginica    12    38

库（dplyr）
数据（iris）
标签%dplyr:：选择（物种）%>%
样本分数（1）%>%
组别(种类)%>%
变异（set=rep（c（rep（“train”，3），“test”），length.out=n（））
表（标签$Species，标签$set）
试验列车
刚毛12 38
花色1238
弗吉尼亚州1238

---

另外，我建议使用

ranger

random-forest包，因为它速度更快

一种方法是使用

分层

（来自

splitstackshape

包）和

sqldf

（进行SQL查询），如下所示：

set.seed(1231) 
data(iris)

data <- iris
data$ID <- seq.int(nrow(data)) #Why? remove it and run this again without this bit and you will see the difference.

# making stratified train samples
m_trn <- data.frame((splitstackshape::stratified(data, "Species", 0.5))) #0.5 is percent of training data in each class
m_tst <- (sqldf::sqldf('SELECT * FROM data EXCEPT SELECT * FROM m_trn'))

set.seed（1231）
数据（iris）
数据我本以为更大的问题是测试集的类不在训练集中。您可以尝试在类内采样。