R 随机森林模型预测结果的差异

我建立了一个随机森林模型，当我编写两行不同的代码来生成预测时，我得到了两个不同的预测结果。我不知道哪一个是对的。 以下是我的示例数据帧和usedcode：

dat <- read.table(text = " cats birds    wolfs     snakes
      0        3        9         7
      1        3        8         4
      1        1        2         8
      0        1        2         3
      0        1        8         3
      1        6        1         2
      0        6        7         1
      1        6        1         5
      0        5        9         7
      1        3        8         7
      1        4        2         7
      0        1        2         3
      0        7        6         3
      1        6        1         1
      0        6        3         9
      1        6        1         1   ",header = TRUE)

为什么两者之间有区别？哪一个是正确的？

---

有什么想法吗？

区别在于两个预测电话：

predict(model)

及

第一个选项从随机林中获取训练数据的现成预测。当比较预测值和实际值时，这通常是您想要的

---

第二种方法将训练数据视为一个新的数据集，并沿每棵树运行观察结果。这将导致预测和实际之间的人为紧密关联，因为RF算法通常不会修剪单个树，而是依赖树的集合来控制过度拟合。因此，如果您希望对训练数据进行预测，请不要这样做。

不同之处在于两个预测调用：

predict(model)

及

第一个选项从随机林中获取训练数据的现成预测。当比较预测值和实际值时，这通常是您想要的

---

第二种方法将训练数据视为一个新的数据集，并沿每棵树运行观察结果。这将导致预测和实际之间的人为紧密关联，因为RF算法通常不会修剪单个树，而是依赖树的集合来控制过度拟合。所以，如果你想得到训练数据的预测，就不要这样做。

你从来没有第一次定义过

train

（但你在

cbind

中引用过它）——这可能是差异的根源。或者你是说“

dat

”？你从来没有第一次定义过

train

（但您在

cbind

）中引用了它——这可能是差异的来源。或者您是指“

dat

”？谢谢Hong Ooi，如果我想在新的数据集上使用预测，我应该使用：predict（model，newdata=dat1）#dat1是新的数据集？如果你在预测真正的新数据，那么一定要使用

predict（model，newdata=dat1）

。谢谢Hong Ooi，如果我想在新数据集上使用预测，我应该使用：predict（model，newdata=dat1）#dat1是新的数据集吗？如果你预测的是真正的新数据，那么一定要使用

predict（model，newdata=dat1）

。

 dat
   cats birds wolfs snakes predict.model.  RF_pred
1     0     3     9      7       3.513889 5.400675
2     1     3     8      4       5.570000 5.295417
3     1     1     2      8       3.928571 5.092917
4     0     1     2      3       4.925893 4.208452
5     0     1     8      3       4.583333 4.014008
6     1     6     1      2       3.766667 2.943750
7     0     6     7      1       5.486806 4.061508
8     1     6     1      5       3.098148 2.943750
9     0     5     9      7       4.575397 5.675675
10    1     3     8      7       4.729167 5.295417
11    1     4     2      7       4.416667 5.567917
12    0     1     2      3       4.222619 4.208452
13    0     7     6      3       6.125714 4.036508
14    1     6     1      1       3.695833 2.943750
15    0     6     3      9       4.115079 5.178175
16    1     6     1      1       3.595238 2.943750

predict(model)

predict(model, newdata=dat)