本文实现了R语言构建随机森林模型并且进行K-折交叉验证。K-折交叉验证即将原始数据分成K等分，每次选择1份作为测试集，另外k-1份为训练集进行建模，最终精度为k次建模精度的均值。本文以十折交叉验证为例，例子不是分类是回归。如果一次结果不太满意，可以修改max_seed，代码实现了这一迭代，最后会保留最佳的训练结果。
感谢评论指出的错误，代码已经改正过了。
# 保留最高r2的种子
bestm = 0
# 保留最高r2
bestr2 = 0
# 原始csv数据路径，建议仅保留自变量和因变量，去掉索引号
dir = "这里是原始数据的路径.csv"
# 定义最大迭代随机种子数值，默认为3，等于分别设置种子为1、2、3运行三次，并保留模型精度最高的种子作为最终结果，max_seed根据个人需求自行修改。该代码迭代所有种子，最后再运行一次精度最高的种子作为输出，如果设置为1只是想运行一次，该代码就显得非常累赘低效，请自行修改。
max_seed = 3
# 数据拆分份数
k = 10
for (m in 1:max_seed){
print(paste('set seed = ',m))
# 设置随机种子
set.seed(m)
# 读取数据
data = read.csv(dir)
# 转换为dataframe
data = as.data.frame(data)
#获取长度
len = nrow(data)
#定义拆分函数mysplit
mysplit = function(k,len){
# 数据索引池
pool = c(1:len)
#每份的长度
seg = as.integer(len/k)
# 定义训练集合测试集的索引数据框,如果len不能被k整除会舍弃零头数据
train = as.data.frame(matrix(nrow = (len - seg)))
test = as.data.frame(matrix(nrow = seg))
for (i in 1 : k){
# 测试集索引
ctest = sample(pool,seg,replace = FALSE)
# 赋值
train[i] = setdiff(c(1:len),ctest)
test[i] = ctest
# 不放回抽样，更新索引池
pool = setdiff(pool,ctest)
}
# 返回索引数据框
out = list(one=train, two=test)
return(out)
}
# 调用函数，从out提取出train和test索引数据框
split1 = mysplit(k,len)
train = split1$one
test = split1$two
# 定义验证精度的累加值，循环结束后取均值
total_train = 0
total_test = 0
# 开始循环
for(i in 1:k){
# 根据索引拆分训练测试集
train_actual = data[unlist(train[i]),]
test_actual = data[unlist(test[i]),]
# 定义输出路径，为了避免冗余，输出csv这部分放到了代码最后，这里都注释掉了
# path_test_actual = paste ("C:/Users/Administrator/Desktop/test_actual",i,".csv",sep = "", collapse = NULL)
# path_train_actual = paste ("C:/Users/Administrator/Desktop/train_actual",i,".csv",sep = "", collapse = NULL)
# path_train_predict = paste ("C:/Users/Administrator/Desktop/train_predict",i,".csv",sep = "", collapse = NULL)
# path_test_predict = paste ("C:/Users/Administrator/Desktop/test_predict",i,".csv",sep = "", collapse = NULL)
# 随机森林建模，请自行进行模型的调试
library(randomForest)
rf = randomForest(这里写原数据里因变量的名称不要带引号 ~ ., data=train_actual)
# 训练测试集预测结果
train_predict = predict(rf, train_actual)
test_predict = predict(rf, test_actual)
# 输出csv，方便数据检视
# write.csv(train_actual, file=path_train_actual)
# write.csv(test_actual, file=path_test_actual)
# write.csv(train_predict, file = path_train_predict)
# write.csv(test_predict , file = path_test_predict)
# ---- 计算测试集预测精度 ----
# 1. 'Actual' and 'Predicted' data
#
df <- data.frame(
y_actual = test_actual[[这里写原数据里因变量的名称要带引号]],
y_predict = test_predict)
# 下面是计算过程
# 2. Average of actual data
avr_y_actual <- mean(df$y_actual)
# 3. Total sum of squares
ss_total <- sum((df$y_actual - avr_y_actual)^2)
# 4. Regression sum of squares
ss_regression <- sum((df$y_predict - avr_y_actual)^2)
# 5. Residual sum of squares
ss_residuals <- sum((df$y_actual - df$y_predict)^2)
# 6. R2 Score
r_test <- 1 - ss_residuals / ss_total
# 输出一下k以及测试精度R2
# print(paste ("第",i,"折测试集r2：",r_test,sep='',collapse = NULL))
# print(r_test)
# ---- 计算训练集预测精度 ----
# 1. 'Actual' and 'Predicted' data
# --这里的6记得修改，对应h_test.csv参数y所在的列
df <- data.frame(
y_actual = train_actual[[这里写原数据里因变量的名称要带引号]],
y_predict = train_predict)
# 下面是计算过程
# 2. Average of actual data
avr_y_actual <- mean(df$y_actual)
# 3. Total sum of squares
ss_total <- sum((df$y_actual - avr_y_actual)^2)
# 4. Regression sum of squares
ss_regression <- sum((df$y_predict - avr_y_actual)^2)
# 5. Residual sum of squares
ss_residuals <- sum((df$y_actual - df$y_predict)^2)
# 6. R2 Score
r_train <- 1 - ss_residuals / ss_total#train R2
# 输出训练精度R2
# print(paste ("第",i,"折训练集r2：",r_train,sep='',collapse = NULL))
# 精度累加值更新
total_train = total_train + r_train
total_test = total_test + r_test
}
# 计算R2平均值
total_train = total_train/k
total_test = total_test/k
# 输出
print(paste('最终测试集r2：',total_test))
print(paste('最终训练集r2：',total_train))
# 如果该种子为最佳结果，则保留结果并输出
if (total_test > bestr2){
bestr2 = total_test
bestm = m
}
jindu = m/(max_seed/100)
print(paste('当前已运行',round(jindu,1),'%'))
}
# print(paste('最高r2种子为:',bestm))
# print(paste('最高r2为:',bestr2))
# ----------------------------最后输出最高r2的csv预测结果---------------------------
# ----------------------------最后输出最高r2的csv预测结果---------------------------
# ----------------------------最后输出最高r2的csv预测结果---------------------------
# 设置随机种子
set.seed(bestm)
#定义拆分函数mysplit
mysplit = function(k,len){
# 数据索引池
pool = c(1:len)
#每份的长度
seg = as.integer(len/k)
# 定义训练集合测试集的索引数据框,如果len不能被k整除会舍弃零头数据
train = as.data.frame(matrix(nrow = (len - seg)))
test = as.data.frame(matrix(nrow = seg))
for (i in 1 : k){
# 测试集索引
ctest = sample(pool,seg,replace = FALSE)
# 赋值
train[i] = setdiff(c(1:len),ctest)
test[i] = ctest
# 不放回抽样，更新索引池
pool = setdiff(pool,ctest)
}
# 返回索引数据框
out = list(one=train, two=test)
return(out)
}
split1 = mysplit(k,len)
train = split1$one
test = split1$two
# 开始循环
total_predict = data.frame()
total_actual = data.frame()
for(i in 1:k){
# 根据索引拆分训练测试集
train_actual = data[unlist(train[i]),]
test_actual = data[unlist(test[i]),]
# 定义输出路径
path_test_actual = paste ("C:/Users/Administrator/Desktop/test_actual",i,".csv",sep = "", collapse = NULL)
# path_train_actual = paste ("C:/Users/Administrator/Desktop/train_actual",i,".csv",sep = "", collapse = NULL)
# path_train_predict = paste ("C:/Users/Administrator/Desktop/train_predict",i,".csv",sep = "", collapse = NULL)
path_test_predict = paste ("C:/Users/Administrator/Desktop/test_predict",i,".csv",sep = "", collapse = NULL)
# 随机森林建模，请自行进行模型的调试
library(randomForest)
rf = randomForest(这里写原数据里因变量的名称不要带引号 ~ ., data=train_actual)
# 训练测试集预测结果
train_predict = predict(rf, train_actual)
test_predict = predict(rf, test_actual)
# 输出csv，方便数据检视
# write.csv(train_actual, file=path_train_actual)
write.csv(test_actual, file=path_test_actual)
# write.csv(train_predict, file = path_train_predict)
write.csv(test_predict , file = path_test_predict)
total_predict = rbind(total_predict,read.csv(path_test_predict))
total_actual = rbind(total_actual,read.csv(path_test_actual))
}
total = merge(total_actual,total_predict)
# 输出k次建模的测试集实际值和预测值
write.csv(total, 'C:/Users/Administrator/Desktop/total.csv')
print(paste('最高r2种子为:',bestm))
print(paste('最高r2为:',bestr2))
print('done')
已经很傻瓜操作了，需要修改的代码有：1）交叉验证折数 k 的值； 2）原始csv数据的路径； 3）因变量的参数名；4）随机种子最大值 max_seed 。模型的调试请自行尝试。
如果遇到问题或者提供建议，欢迎留言，也可联系QQ:1262840380
好文阅读
您阅读本篇文章共花了：
发表评论