randomForestClassifier

语法

randomForestClassifier(ds, yColName, xColNames, numClasses, [maxFeatures=0], [numTrees=10], [numBins=32], [maxDepth=32], [minImpurityDecrease=0.0], [numJobs=-1], [randomSeed])

参数

ds 是数据源，通常用sqlDS函数生成。

yColName 是字符串，表示数据源中作为因变量（所属分类）的列名。

xColNames 是字符串标量或向量，表示数据源中作为自变量的列名。

numClasses 是正整数，表示分类数目。y列的取值必须是[0, numClasses)之间的整数。

maxFeatures 是一个整数或浮点数，表示一次分裂节点选取的特征个数或比例。默认值是0。

如果 maxFeatures 为正整数，则在一次分裂时选取maxFeatures个特征。
如果 maxFeatures =0，则在一次分裂时选取sqrt(特征列数量)个特征。
如果 maxFeatures 是一个0和1之间的浮点数，则在一次分裂时选取int(特征列数量*maxFeatures)个特征。

numTrees 是正整数，表示森林中树的个数。默认值为10。

numBins 是正整数，表示离散化连续特征时的桶数。默认值为32。增加numBins会使算法考虑更多的分裂结点的决策值，产生更好的分裂结果，但也会提高计算量和通讯量。

maxDepth 是正整数，表示树的最大深度。默认值为32。

minImpurityDecrease 是浮点数，如果分裂产生的基尼指数纯度减少值大于或等于这个值，结点会继续分裂。

numJobs 是一个整数，表示训练时使用的任务数。它是可选参数，默认值为-1，表示训练时使用所有的线程。如果numJobs小于-1，假如设置的localExecutor参数为n，产生的任务数为(n+2+numJobs)。实际执行过程中，最多会产生min(numTrees, n+1)个任务。如果ds中有数据源位于远程节点，该参数不起作用，只产生一个任务。

randomSeed 是随机数生成器使用的种子。

详情

计算指定数据源中yColName和xColNames随机森林分类。返回结果是字典，包含以下key：numClasses, minImpurityDecrease, maxDepth, numBins, numTress, maxFeatures, model, modelName, xColNames。其中model是一个元组，保存了训练生成的树；modelName为“Random Forest Classifier”。

生成的模型可以作为predict函数的输入

例子

用模拟数据训练一个随机森林回归模型

$ t = table(100:0, `cls`x0`x1, [INT,DOUBLE,DOUBLE])
$ cls = take(0, 50)
$ x0 = norm(-1.0, 1.0, 50)
$ x1 = norm(-1.0, 1.0, 50)
$ insert into t values (cls, x0, x1)
$ cls = take(1, 50)
$ x0 = norm(1.0, 1.0, 50)
$ x1 = norm(1.0, 1.0, 50)
$ insert into t values (cls, x0, x1)

$ model = randomForestClassifier(sqlDS(<select * from t>), `cls, `x0`x1, 2);

把模型用于预测

$ predict(model, t)

加载一个保存的模型

$ loadModel("C:/DolphinDB/data/classifierModel.bin")