W jaki sposób `przewidywana.losowaLeśność` oszacowuje prawdopodobieństwa klasowe?

W jaki sposób randomForestpakiet szacuje prawdopodobieństwa klasowe, kiedy używam predict(model, data, type = "prob")?

Użyłem rangerdo szkolenia losowych lasów, używając probability = Targumentu do przewidywania prawdopodobieństw. rangermówi w dokumentacji, że:

Wyhoduj las prawdopodobieństwa, jak w Malley i in. (2012).

Symulowałem niektóre dane, wypróbowałem oba pakiety i uzyskałem bardzo różne wyniki (patrz kod poniżej)

Wiem więc, że wykorzystuje inną technikę (niż tropiciel) do oszacowania prawdopodobieństwa. Ale który?

simulate_data <- function(n){
  X <- data.frame(matrix(runif(n*10), ncol = 10))
  Y <- data.frame(Y = rbinom(n, size = 1, prob = apply(X, 1, sum) %>%
                               pnorm(mean = 5)
                             ) %>% 
                    as.factor()

  ) 
  dplyr::bind_cols(X, Y)
}

treino <- simulate_data(10000)
teste <- simulate_data(10000)

library(ranger)
modelo_ranger <- ranger(Y ~., data = treino, 
                                num.trees = 100, 
                                mtry = floor(sqrt(10)), 
                                write.forest = T, 
                                min.node.size = 100, 
                                probability = T
                                )

modelo_randomForest <- randomForest(Y ~., data = treino,
                                    ntree = 100, 
                                    mtry = floor(sqrt(10)),
                                    nodesize = 100
                                    )

pred_ranger <- predict(modelo_ranger, teste)$predictions[,1]
pred_randomForest <- predict(modelo_randomForest, teste, type = "prob")[,2]
prob_real <- apply(teste[,1:10], 1, sum) %>% pnorm(mean = 5)

data.frame(prob_real, pred_ranger, pred_randomForest) %>%
  tidyr::gather(pacote, prob, -prob_real) %>%
  ggplot(aes(x = prob, y = prob_real)) + geom_point(size = 0.1) + facet_wrap(~pacote)

To tylko proporcja głosów drzew w zespole.

library(randomForest)

rf = randomForest(Species~., data = iris, norm.votes = TRUE, proximity = TRUE)
p1 = predict(rf, iris, type = "prob")
p2 = predict(rf, iris, type = "vote", norm.votes = TRUE)

identical(p1,p2)
#[1] TRUE

Alternatywnie, jeśli pomnożysz swoje prawdopodobieństwa ntree, otrzymasz ten sam wynik, ale teraz w liczbach zamiast proporcji.

p1 = predict(rf, iris, type = "prob")
p2 = predict(rf, iris, type = "vote", norm.votes = FALSE)

identical(500*p1,p2)
#[1] TRUE

The Malley (2012) jest dostępny tutaj: http://dx.doi.org/10.3414%2FME00-01-0052 . Pełne odniesienie znajduje się w części odniesienia w dokumentacji leśniczego.

Krótko mówiąc, każde drzewo przewiduje prawdopodobieństwa klasowe, a te prawdopodobieństwa są uśredniane dla prognozy lasu. W przypadku dwóch klas jest to równoważne lasowi regresji z zakodowaną odpowiedzią 0-1.

Natomiast w randomForestprzy type="prob"każdym drzewie przewiduje klasę i prawdopodobieństwa są obliczane z tych klas.

W tym przykładzie próbowałem użyć rozkładu jednolitego zamiast rozkładu normalnego do wygenerowania prawdopodobieństw, a tutaj inne podejście wydaje się działać lepiej. Zastanawiam się, czy te prawdopodobieństwa są naprawdę prawdą?

Nawiasem mówiąc, te same wyniki, co w randomForestpowyższym przykładzie, można osiągnąć za pomocą komandosa, stosując klasyfikację i ręczne obliczanie prawdopodobieństwa (zastosowanie predict.all=TRUEw prognozowaniu).

Jeśli chcesz oszacować prawdopodobieństwo wyjęcia z torby, możesz to zrobić tylko w losowym pakiecie leśnym w R, używając głosów modelowych. Pozostałe szacunki prawdopodobieństwa nie są OOB.