随机森林RandomForest回归生物标记预测时间序列

来源：宏基因组

关于随机森林的简介和应用理论，请阅读之前分享的文章：

一文读懂随机森林在微生态中的应用

关于随机森林进行分类的入门实战，请阅读之前分享的

《RandomForest：随机森林预测生物标记biomarker——分类》，

大家可以学习此文，实现分组挖掘两组或多组的特异Features，也可以展示特征的贡献度，获得分类评估的准确度，以及使用新数据进行预测，无监督的随机森林等基础技能。

今天我们讲使用randomForest实现回归分析的实战代码。回归的应用主要包括时间序列预测模式，如预测股票、尸体死亡时间等。

本节不需要先验知识可也直接学习使用。

RandomForest安装与加载# 安装
install.packages("randomForest")
# 加载
library(randomForest)回归Classification

先了解一下输入数据格式，方便准备

使用R内置按天记录的空气质量数据

data(airquality)
head(airquality)

数据包括157天中，臭氧、太阳强度、风和温度，部分有缺失。前4列属性数据，后2列时间月和日为分组数据。

 Ozone Solar.R Wind Temp Month Day
1    41     190  7.4   67     5   1
2    36     118  8.0   72     5   2
3    12     149 12.6   74     5   3
4    18     313 11.5   62     5   4
5    NA      NA 14.3   56     5   5
6    28      NA 14.9   66     5   6

设置随机数种子保证结果可重复

set.seed(315)

随机森林回归臭氧与其它所有属性

ozone.rf= randomForest(Ozone ~ ., data=airquality, mtry=3,
                    importance=TRUE, na.action=na.omit)
print(ozone.rf)

结果如下：包括分析的命令，分析类型，树数量，重要的变量(Feature)个数，平均残差平方，解析率。

   Call:
randomForest(formula = Ozone ~ ., data = airquality, mtry = 3,      importance = TRUE, na.action = na.omit)
              Type of random forest: regression
                    Number of trees: 500
No. of variables tried at each split: 3

         Mean of squared residuals: 304.4269
                   % Var explained: 72.26

查看每个变量的分类贡献度，显示仅保留两位小数可读性更好

round(importance(ozone.rf), 2)

       %IncMSE IncNodePurity
Solar.R   10.40      10833.08
Wind      23.55      43838.66
Temp      47.13      53731.95
Month      2.04       1504.72
Day        0.91       6306.42

结果为每个相关变量对应两列值。%IncMSE是Increased in mean squared error (%)，直译为增长的错误率平方均值，即去除该变量后，对目标预测的准确度下降的低，可理解为对目标变量预测准确的贡献度。IncNodePurity是Increased node purity，是另一种评估的方法。这里我们只关注%IncMSE就够了。

varImpPlot(ozone.rf)  

交叉验证cross-validation# 先清空NA的样本，验证不允许有NA
airquality = na.omit(airquality)
myairquality= cbind(airquality[1:6], matrix(runif(96 * nrow(airquality)), nrow(airquality), 96))
# 交驻验证添加了随机数的训练集，分组，交叉验证的次数
result= rfcv(myairquality, airquality$Ozone, cv.fold=3)

# 绘制错误率曲线，观查错误率与使用Markers数量的变化
with(result, plot(n.var, error.cv, log="x", type="o", lwd=2))

我们看到一个现象，不是feature越多越好，无关的feature如果多了，反而错误率上升，会影响预测的准确度。

# 使用replicate进行多次交叉验证，可选
result= replicate(5, rfcv(myairquality, airquality$Ozone), simplify=FALSE)
error.cv= sapply(result, "[[", "error.cv")
matplot(result[[1]]$n.var, cbind(rowMeans(error.cv), error.cv), type="l",
       lwd=c(2, rep(1, ncol(error.cv))), col=1, lty=1, log="x",
       xlab="Number of variables", ylab="CV Error")

多次验证结果类型，更能说明结果的可信度。

严谨总没有坏处，好的结果都是多角度证明的。

大家学习随机森林的分类、和回归。将来有时间，将带大家上手重复一些高水平文章中的分析，结合具体生物学问题会更有意思。