R语言 机器学习随机森林回归预测模型中，按照训练集中的某列数据“FishNet”（数值为1~10）将训练集划分为十个子集，随机抽取9个子集训练模型，剩余的1个子集进行验证，循环进行交叉验证，同时进行超参数寻优，导出最优参数与最优模型

在R语言中，使用随机森林回归（Random Forest Regression）进行模型训练并采用交叉验证（Cross-validation）进行超参数优化的过程可以按照以下步骤进行：

1. **加载所需库**:
首先需要安装`randomForest`库，如果尚未安装，可以用`install.packages("randomForest")`进行安装。然后加载库：

   library(randomForest)

2. **准备数据**:
确保你的数据集已经读入，并且包含目标变量（FishNet）和其他用于预测的特征。你可以用`read.csv()`或其他函数导入数据。

3. **划分子集**:
使用`createDataPartition()`函数从`FishNet`列创建分组，设置比例为0.9（用于训练）和0.1（用于验证）：

   set.seed(123)  # 设置随机种子保证结果可复现
   indices <- createDataPartition(FishNet, p = 0.9, list = FALSE)
   train_data <- data[indices, ]  # 9个子集作为训练集
   validation_data <- data[-indices, ]  # 1个子集作为验证集

4. **交叉验证与超参数优化**:
使用`trainControl()`设置交叉验证的参数，如`cv = 10L`表示10折交叉验证。接下来，使用`train()`函数进行模型训练，传入`tuneGrid`参数来定义超参数网格，例如树的数量、节点大小等：

   control <- trainControl(method = "cv", number = 10)
   
   grid <- expand.grid(mtry = seq(2, floor(sqrt(ncol(train_data) - 1)), by = 1))  # 根据特征数调整mtry参数范围

   model <- train(FishNet ~ ., data = train_data, method = "rf",
                  trControl = control, tuneGrid = grid, metric = "RMSE")

`metric = "RMSE"`通常用于回归任务，评估模型性能。

5. **获取最优参数与模型**:
最佳参数可以在`best.parameters`中找到，而最优模型则保存在`finalModel`变量中：

   best_params <- model$best.parameters
   final_model <- model$finalModel

6. **验证与评估**:
使用`predict()`函数对验证集进行预测，评估模型效果：

   validation_predictions <- predict(final_model, validation_data)
   validation_rmse <- sqrt(mean((validation_data$FishNet - validation_predictions)^2))

7. **导出最优参数和模型**:
可以将最优参数和模型存储到文件中，比如CSV文件，以便后续使用：

   write.csv(best_params, "optimal_parameters.csv", row.names = FALSE)
   saveRDS(final_model, "optimized_rf_model.rds")