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 yColNamexColNames 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")

相关函数:adaBoostRegressor, adaBoostClassifier, randomForestRegressor