随机森林是一种比较有效的有监督的分类方法，是目前分类性能比较优越的算法之一。现在使用随机森林做回归和分类主要基于R语言平台上实现的。下面简单介绍一下R语言中RF的用法如下。工具/原料moreR语言、随机森林（RF）、randomForest包方法/步骤1/6分步阅读

R语言做随机森林分类首先需要安装randomForest函数包,打开RStudio主页面，找到倒数第二个“tools”菜单展开，点击“Install packages”，输入要下载的“randomForest”，点击安装，如图所示

2/6

randomForest函数包安装好之后，就可以分析数据了。本文以R语言自带数据为例，旨在介绍用法仅供参考。分析数据之前，需先下载randomForest及读取数据，部分数据截图如图所示，最右边一列为数据标签（类别）。

3/6

调用randomForest函数对训练样本进行训练，rfmodel既是训练后的模型。然后将数据去掉类别一列作为测试样本，如图所示

4/6

想要了解模型信息，如mtry、ntree、oob(袋外误差率)等，可以直接运行rfmodel打印模型信息：Call:之下的内容。若要了解各变量的的重要性则运行importance（rfmodel，2）即可输出变量权重。代码如图所示

5/6

另外随机森林也有两个参数mtry和ntree，这两个参数也可以有自己决定，最优组合既是OOB误差率最小。

模型建立完成，就需要利用测试样本对模型进行检验，并输出模型的混淆矩阵来分析模型精度，如图所示，由混淆矩阵可以知，精度达到100%（固然是和原数据检验本身有关），说明随机森林性能还是挺优越的。

6/6

要想获得最优参数，一般采取的办法是遍历所有变量。分类：变量少还好，若是变量特征很多，遍历全部耗费巨大时间成本，这时mtry一般采取总特征的平方根，再来寻找最优ntree；回归：mtry一般采取总特征的三分之一，再来寻找最优ntree。

注意事项

袋外误差率（OOB）以此为参考确定最优参数组合

R语言随机森林分类RFRANDOMFOREST