刊期:双月刊
主管单位:中国科学院
主办单位:中国科学院动物研究所,中国昆虫学会
地址:北京市朝阳区北辰西路1号院5号中国科学院动物研究所
邮编:100101
电话:010-64807137
传真:010-64807137
E-Mail:entom@ioz.ac.cn
刊号:ISSN 2095-1353
        CN 11-6020/Q
国内发行代号:2-151
国际发行代号:BM-407
发行范围:国内外公开发布
定价:138元/册
定价:828元/年
银行汇款:中国工商银行北京海淀西区支行
户名:中国科学院动物研究所
帐号:0200 0045 0908 8125 063

您所在位置:首页->过刊浏览->2019年56卷第1期



随机森林是特点鲜明的模型,不是万能的模型
Random forest is a specific algorithm, not omnipotent for all datasets
李欣海1, 2**
点击:3815次 下载:483次
DOI:10.7679/j.issn.2095-1353.2019.022
作者单位:1. 中国科学院动物研究所,北京 100101;2. 中国科学院大学,北京 100049
中文关键词:随机森林;偏效应;交互作用;多元共线性;R语言
英文关键词:random forest; partial effect; interaction; multicollinearity; R
中文摘要:

随机森林(Random forest)模型在2001年发表后得到广泛的关注。由于随机森林可以进行回归和判别等多种统计分析,而且不受正态性、方差齐性和自变量独立性等参数检验的前提条件的制约,其应用日益普遍,有被看作万能模型的趋势。实际上,随机森林是一种特点鲜明的模型,应用局部优化拟合观察值,在分析有偏效应关系的数据时,其结果往往不准确。本文以蝉科(Cicadidea)物种的分布数据为例,比较了随机森林在回归分析时与多元线性回归、广义可加模型和人工神经网络模型的差别,在判别分析时与线性判别分析的差别,强调了随机森林预测时的碎片化特点。结果显示随机森林在处理有多元共线性和交互作用的数据时,以及在判别分析时,其准确率最高。鉴于随机森林的局限性,建议做数据分析时选择多种模型进行比较。文中的R语言代码可为研究者提供参考。

英文摘要:

 Random forest has gained extensive attention since its publication in 2001. Random forest can handle both regression and classification with minimum assumptions (no need for normality, homogeneity of variance, and independence between explanatory variables), so that its applications has dramatically increased. Someone even use it as an omnipotent tool for all analysis. In fact, random forest is a specific algorithm with clear characteristics. It is an ensemble method by constructing a number of decision trees, which intends to use local optimization to fit data. When the data have strong partial effect, random forest usually does not fit well. I compared the performance of random forest with multiple regression models, generalized additive models, and artificial neural network using the occurrence data of Cicadidea species. The results showed, although the prediction of random forest looked fragmented, it outperformed the other three models. Random forest also performed better than linear discriminant analysis for classifications. Random forest has its strength and weakness. I suggestion to use multiple models for data analysis rather than one “powerful” model.



读者评论

      读者ID: 密码:   
我要评论:
版权所有©2024应用昆虫学报》编辑部 京ICP备10006425号
本系统由北京菲斯特诺科技有限公司设计开发
您是本站第8896372名访问者