predict函数 R_R包randomForest的随机森林回归模型以及对重要变量的选择

R语言中，使用R包randomForest进行随机森林回归模型的建立和预测。在建立模型之前，需要将数据集分为训练集和测试集，可以使用caret包中的createDataPartition函数进行随机划分。

具体的代码如下：

library(randomForest)

# 读取数据集
data <- read.csv("data.csv")

# 划分训练集和测试集
library(caret)
set.seed(123)
trainIndex <- createDataPartition(data$target, p = 0.7, list = FALSE)
train <- data[trainIndex, ]
test <- data[-trainIndex, ]

# 建立随机森林回归模型
rf <- randomForest(target ~ ., data = train, ntree = 500, mtry = 3, importance = TRUE)

# 预测测试集结果
predictions <- predict(rf, test)

# 计算测试集的均方误差
mse <- mean((predictions - test$target)^2)
cat("测试集均方误差为：", mse)

# 输出变量重要性
varImpPlot(rf)

在上述代码中，ntree参数指定了随机森林中树的数量，mtry参数指定了每棵树在分裂时使用的变量数量，importance参数指定了是否计算变量重要性。

在模型建立完成后，可以使用predict函数对新数据进行预测。在预测完成后，可以计算均方误差等指标来评估模型的预测能力。最后，可以使用varImpPlot函数输出变量重要性图表，来选择对目标变量影响较大的变量。