得到R中随机森林的精度

我已经用我的数据创建了一个

随机林

：

fit=randomForest(churn~., data=data_churn[3:17], ntree=1,
                 importance=TRUE, proximity=TRUE)

我可以很容易地看到我的

混淆矩阵

：

conf <- fit$confusion
> conf
     No Yes class.error
No  945  80  0.07804878
Yes  84 101  0.45405405

conf
否是类错误
编号945800.07804878
是84 101 0.45405

现在我需要知道随机森林的准确度。我四处搜索，发现库中有一个

confusionMatrix

方法，该方法获取一个混淆矩阵并返回精度（以及许多其他值）。但是，该方法需要另一个名为

“reference”

的参数。我的问题是，我如何为获得随机森林的准确性的方法提供参考？ 而且。。。这是获得随机森林精度的正确方法吗

使用

randomForest（…，do.trace=T）

查看班级和ntree在培训期间的OOB错误

（仅供参考，您选择了

ntree=1

，因此您只会得到一个rpart决策树，而不是一个林，这种方法不符合使用RF以及随机选择特征和样本子集的目的。您可能希望改变

ntree

值。）

培训后，您可以从混乱矩阵最右边的列中获得每类错误，正如您已经发现的：

> fit$confusion[, 'class.error']
class.error
No         Yes
0.07804878 0.45405405

（您可能还希望设置

选项（'digits'=3）

以避免看到过多的小数点）

至于将类错误列表（精度=1-错误）转换为一个总体精度数字，这很容易做到。您可以使用平均值、类别加权平均值、调和平均值（准确度，而非误差）等。这取决于您的应用和错误分类的相对惩罚。你的例子很简单，只有两个类

---

（或例如，有更复杂的评分员间协议衡量标准）

如果您只是在命令提示下键入

fit

，则会打印出混淆矩阵和缺货（OOB）错误。OOB错误是总体分类错误。您还可以根据混淆矩阵计算OOB错误。在你的例子中，它是164/1210（错误分类的观察数占观察总数的比例）。但是，如果您真的想知道您的模型有多好，您应该有单独的培训数据来创建模型，并有单独的测试数据（在模型构建过程中没有使用）来检查模型的性能。@eipi10谢谢！所以我假设精度是1-OOB误差。我说得对吗？是的。没错。仅供参考，您知道选择

ntree=1

只会生成一棵rpart树，而不是一个林吗？@smci是的。谢谢你的评论。我会改变执行中的树数。