在 R 的 randomForest 包中，因子是不是必须明确标记为因子？

Posted 2023-03-12

【中文标题】在 R 的 randomForest 包中，因子是不是必须明确标记为因子？

【英文标题】：In R's randomForest package, do factors have to be explicitly labeled as factors?在 R 的 randomForest 包中，因子是否必须明确标记为因子？

【发布时间】：2016-01-18 01:41:53

【问题描述】：

或者包会意识到它们不是连续的并将它们视为因素？我知道，对于分类，被分类的特征确实需要成为一个因素。但是预测功能呢？我已经在几个玩具数据集上运行它，根据分类特征是数字还是因子，我得到的结果略有不同，但算法是随机的，所以我不知道我的结果差异是否有意义。

谢谢！

【问题讨论】：

如果您想以可重现的方式测试使用随机数生成器 (RNG) 的脚本或函数，请尝试使用 set.seed(number) 设置 RNG 的种子，其中 number 是任何整数，在运行函数之前。然后你可以测试你的假设是否正确。

【参考方案1】：

是的，两者之间是有区别的。如果你想使用一个因子变量，你应该这样指定它，而不是把它保留为数字。

对于分类数据（this 实际上是 CrossValidated 上一个非常好的答案）：

对具有 N 个级别的因子进行拆分实际上是从 (2^N)−2 个可能的组合中选择一个。因此，该算法将检查所有可能的组合并选择产生更好拆分的组合

---

对于数值数据（见here）：

然后对数值预测变量进行排序，然后为每个值计算基尼杂质或熵，并选择一个阈值来提供最佳分割。

---

所以，是的，将其添加为因子还是数字变量会有所不同。相差多少取决于实际数据。

【讨论】：

它确实取决于手头的数据，就像你说的那样。我在基因组数据上使用了 randomForest 包（所以所有预测变量都在 0, 1 中）并将它们作为连续或分类传递没有任何区别。在前一种情况下，分裂的条件是x > 0.5或x < 0.5，相当于0和1之间的二元选择。然而，令人费解的是，RF在分类预测器上要慢得多，所以如果可以的话，我总是选择不连续属性。