Первое (и самое простое) решение: если вы не хотите придерживаться классической RF, как это реализовано в Andy Liaw randomForest
, вы можете попробовать пакет party , который обеспечивает другую реализацию оригинального алгоритма RF ™ (использование условных деревьев и схемы агрегации на основе на единицу веса средний). Затем, как сообщается в этом посте R-help , вы можете нанести на карту одного члена списка деревьев. Кажется, все идет гладко, насколько я могу судить. Ниже приведен график одного дерева, созданного cforest(Species ~ ., data=iris, controls=cforest_control(mtry=2, mincriterion=0))
.
Во- вторых (почти так же легко) Решение: Большинство методов дерева на основе в R ( tree
, rpart
, TWIX
и т.д.) предлагает tree
-like структуру для печати / прокладки одного дерева. Идея заключалась бы в том, чтобы преобразовать выходные данные randomForest::getTree
в такой объект R, даже если это бессмысленно со статистической точки зрения. По сути, легко получить доступ к древовидной структуре tree
объекта, как показано ниже. Обратите внимание, что он будет немного отличаться в зависимости от типа задачи - регрессия или классификация, - где в последнем случае он добавит специфичные для класса вероятности в качестве последнего столбца obj$frame
(который является data.frame
).
> library(tree)
> tr <- tree(Species ~ ., data=iris)
> tr
node), split, n, deviance, yval, (yprob)
* denotes terminal node
1) root 150 329.600 setosa ( 0.33333 0.33333 0.33333 )
2) Petal.Length < 2.45 50 0.000 setosa ( 1.00000 0.00000 0.00000 ) *
3) Petal.Length > 2.45 100 138.600 versicolor ( 0.00000 0.50000 0.50000 )
6) Petal.Width < 1.75 54 33.320 versicolor ( 0.00000 0.90741 0.09259 )
12) Petal.Length < 4.95 48 9.721 versicolor ( 0.00000 0.97917 0.02083 )
24) Sepal.Length < 5.15 5 5.004 versicolor ( 0.00000 0.80000 0.20000 ) *
25) Sepal.Length > 5.15 43 0.000 versicolor ( 0.00000 1.00000 0.00000 ) *
13) Petal.Length > 4.95 6 7.638 virginica ( 0.00000 0.33333 0.66667 ) *
7) Petal.Width > 1.75 46 9.635 virginica ( 0.00000 0.02174 0.97826 )
14) Petal.Length < 4.95 6 5.407 virginica ( 0.00000 0.16667 0.83333 ) *
15) Petal.Length > 4.95 40 0.000 virginica ( 0.00000 0.00000 1.00000 ) *
> tr$frame
var n dev yval splits.cutleft splits.cutright yprob.setosa yprob.versicolor yprob.virginica
1 Petal.Length 150 329.583687 setosa <2.45 >2.45 0.33333333 0.33333333 0.33333333
2 <leaf> 50 0.000000 setosa 1.00000000 0.00000000 0.00000000
3 Petal.Width 100 138.629436 versicolor <1.75 >1.75 0.00000000 0.50000000 0.50000000
6 Petal.Length 54 33.317509 versicolor <4.95 >4.95 0.00000000 0.90740741 0.09259259
12 Sepal.Length 48 9.721422 versicolor <5.15 >5.15 0.00000000 0.97916667 0.02083333
24 <leaf> 5 5.004024 versicolor 0.00000000 0.80000000 0.20000000
25 <leaf> 43 0.000000 versicolor 0.00000000 1.00000000 0.00000000
13 <leaf> 6 7.638170 virginica 0.00000000 0.33333333 0.66666667
7 Petal.Length 46 9.635384 virginica <4.95 >4.95 0.00000000 0.02173913 0.97826087
14 <leaf> 6 5.406735 virginica 0.00000000 0.16666667 0.83333333
15 <leaf> 40 0.000000 virginica 0.00000000 0.00000000 1.00000000
Затем есть методы для красивой печати и печати этих объектов. Ключевые функции - это общий tree:::plot.tree
метод (я поставил тройку, :
которая позволяет вам просматривать код в R напрямую), опираясь на tree:::treepl
(графическое отображение) и tree:::treeco
(вычисление координат узлов). Эти функции ожидают obj$frame
представления дерева. Другие тонкие вопросы: (1) аргумент type = c("proportional", "uniform")
в методе построения графиков по умолчанию, tree:::plot.tree
помогает управлять вертикальным расстоянием между узлами ( proportional
означает, что оно пропорционально отклонению, uniform
значит, оно фиксировано); (2) вам нужно дополнить plot(tr)
вызовом, чтобы text(tr)
добавить текстовые метки к узлам и разбиениям, что в этом случае означает, что вам также придется взглянуть tree:::text.tree
.
getTree
Метод из randomForest
возвращений другой структуры, которая описана в интерактивной справке. Типичный вывод показан ниже, с терминальными узлами, обозначенными status
кодом (-1). (Опять же , выход будет отличаться в зависимости от типа задачи, но только на status
и prediction
столбцах.)
> library(randomForest)
> rf <- randomForest(Species ~ ., data=iris)
> getTree(rf, 1, labelVar=TRUE)
left daughter right daughter split var split point status prediction
1 2 3 Petal.Length 4.75 1 <NA>
2 4 5 Sepal.Length 5.45 1 <NA>
3 6 7 Sepal.Width 3.15 1 <NA>
4 8 9 Petal.Width 0.80 1 <NA>
5 10 11 Sepal.Width 3.60 1 <NA>
6 0 0 <NA> 0.00 -1 virginica
7 12 13 Petal.Width 1.90 1 <NA>
8 0 0 <NA> 0.00 -1 setosa
9 14 15 Petal.Width 1.55 1 <NA>
10 0 0 <NA> 0.00 -1 versicolor
11 0 0 <NA> 0.00 -1 setosa
12 16 17 Petal.Length 5.40 1 <NA>
13 0 0 <NA> 0.00 -1 virginica
14 0 0 <NA> 0.00 -1 versicolor
15 0 0 <NA> 0.00 -1 virginica
16 0 0 <NA> 0.00 -1 versicolor
17 0 0 <NA> 0.00 -1 virginica
Если вам удастся преобразовать таблицу выше в одной генерируемых tree
, вы, вероятно , будете иметь возможность настроить tree:::treepl
, tree:::treeco
и tree:::text.tree
в соответствии с вашими потребностями, хотя я не пример такого подхода. В частности, вы, вероятно, хотите избавиться от использования отклонений, вероятностей классов и т. Д., Которые не имеют смысла в РФ. Все, что вам нужно, это установить координаты узлов и разделить значения. Вы могли бы использовать fixInNamespace()
это, но, честно говоря, я не уверен, что это правильный путь.
Третье (и, конечно, умное) решение: напишите настоящую as.tree
вспомогательную функцию, которая облегчит все вышеперечисленные «патчи». Затем вы можете использовать методы построения графиков R или, возможно, лучше, Klimt (непосредственно из R) для отображения отдельных деревьев.