R语言 randforest函数的案例

R语言中的`randomForest`包提供了一个非常流行的随机森林算法，用于分类和回归任务。随机森林是一种集成学习方法，它通过构建许多决策树并取它们的平均预测结果来提高模型性能。下面是一个简单的例子，展示如何使用`randforest`函数创建一个随机森林模型对数据集进行分类：

# 首先，需要加载randomForest和一些基础库
library(randomForest)
library(dplyr) # 数据操作
library(caret) # 数据预处理和交叉验证

# 假设我们有一个名为"mydata"的数据框，其中包含一个目标变量"target"和一些特征变量
data <- read.csv("mydata.csv") # 替换为你的数据文件路径

# 对数据进行预处理，如编码分类变量、缺失值处理等
data_processed <- data %>% 
  preProcess(methods = c("center", "scale")) %>%
  as.data.frame()

# 划分训练集和测试集
set.seed(123) # 设置随机种子保证结果可复制
trainIndex <- createDataPartition(data_processed$target, p = .8, list = FALSE)
train_data <- data_processed[trainIndex, ]
test_data <- data_processed[-trainIndex, ]

# 构建随机森林模型
rf_model <- randomForest(target ~ ., data = train_data, ntree = 500, mtry = sqrt(ncol(train_data) - 1))

# 训练完成后，可以使用模型对测试集进行预测
predictions <- predict(rf_model, newdata = test_data)

# 评估模型性能，例如计算准确率
accuracy <- confusionMatrix(predictions, test_data$target)$overall['Accuracy']

#