r语言随机森林特征筛选至原数据集的64%维度的代码

以下是使用R语言中随机森林进行特征筛选的代码，可将数据集的维度降至原有维度的64%：

# 导入数据集
data <- read.csv("your_data.csv")

# 安装并加载randomForest包
install.packages("randomForest")
library(randomForest)

# 设置随机森林参数
ntree <- 500 # 决策树数量
mtry <- round(ncol(data) * 0.64) # 特征数，取原数据集特征数的64%

# 运行随机森林算法
rf <- randomForest(x = data[,-1], # 删除第一列的标签列
                   y = data[,1],
                   ntree = ntree,
                   mtry = mtry)

# 输出特征重要性排序
importance <- importance(rf)
varImportance <- data.frame(Variables = row.names(importance), Importance = round(importance[,1],2))
varImportance[order(varImportance$Importance, decreasing = TRUE),]

# 提取重要性排名前mtry个特征的索引，保留标签列
selected_features <- c(1, as.numeric(rownames(varImportance[1:mtry,]))+1)

# 从原数据集中筛选出被选中的特征
selected_data <- data[,selected_features]

# 输出被选中的特征数据集
write.csv(selected_data, "selected_data.csv", row.names = FALSE)

其中，`data`为导入的数据集，`ntree`为决策树数量，`mtry`为特征数，取原数据集特征数的64%。最后，将筛选后的数据集输出到文件`selected_data.csv`中。