party package R中的条件推理树:如何基于OOB数据预测模型和方差重要性?
我使用R中party package R中的条件推理树:如何基于OOB数据预测模型和方差重要性?,r,machine-learning,random-forest,R,Machine Learning,Random Forest,我使用R中方包的cforest来计算条件推理树。与随机林类似,我想根据OOB数据检索解释的方差和方差重要性(我读到随机林返回解释的方差和基于OOB数据的变量重要性)。要使用cforest执行此操作,我使用了以下代码: model <- party::cforest(y ~ x1 + x2 + x3 + x4 , data=trainings_set , control=cforest_unbiased(ntree=1000, minsplit=25 , minbucket=8 , mtr
方
包的cforest
来计算条件推理树。与随机林类似,我想根据OOB
数据检索解释的方差和方差重要性(我读到随机林返回解释的方差和基于OOB数据的变量重要性)。要使用cforest
执行此操作,我使用了以下代码:
model <- party::cforest(y ~ x1 + x2 + x3 + x4 , data=trainings_set , control=cforest_unbiased(ntree=1000, minsplit=25 , minbucket=8 , mtry=4))
model.pred <- predict(model, type="response" , OOB=TRUE)
R2=1 - sum((trainings_set$y-model.pred)^2)/sum((trainings_set$y-mean(trainings_set$y))^2)
varimp_model=party::varimp(model, conditional = TRUE, threshold = 0.2, OOB = TRUE)
model函数cforest
中的OOB
参数用于逻辑定义袋外预测
只有在cforest
中传递newdata
参数时,这才是TRUE
,该参数通常是测试数据帧。如果newdata
参数在那里,并且您已经设置了OOB=TRUE
,那么您将在此newdata
上获得出袋预测
我希望这能澄清你的疑问