R线性回归中的RandomForest尾部mtry

Question

我使用R（R版本2.13.1，randomForest版本4.6-2）中的randomForest包进行回归，并注意到我的结果存在显着偏差：预测误差取决于响应变量的值。高值低于预测值，低值超出预测值。起初我怀疑这是我的数据的结果，但下面的简单示例表明这是随机森林算法所固有的：

n = 50; 
x1 = seq(1,n) 
x2 = matrix(1, n, 1)
predictors = data.frame(x1=x1, x2=x2)
response = x2 + x1
rf = randomForest(x=predictors, y=response)
plot(x1, response)
lines(x1, predict(rf, predictors), col="red")

毫无疑问树方法在线性方面有其局限性，但即使是最简单的回归树，例如R中的树（）没有表现出这种偏见。我无法想象社区会不会意识到这一点，但没有找到任何提及，它一般如何纠正？感谢您的任何评论

编辑：这个问题的例子是有缺陷的，请参阅堆栈交换中的“RandomRorest for R in R in response distribution dependent bias”以改进处理https://stats.stackexchange.com/questions/28732/randomforest-for-regression-in-r-response-distribution-dependent-bias

Answer 1

您发现的并不是随机森林中的固有偏差，而只是无法正确调整模型上的调整参数。

使用您的示例数据：

rf = randomForest(x=predictors, y=response,mtry = 2,nodesize = 1)
plot(x1, response)
lines(x1, predict(rf, predictors), col="red")

对于您的真实数据，当然，改进不太可能那么明显，而且我敢打赌，nodesize比mtry获得更多里程（{1}} { {1}}完成了大部分工作。）

普通树木没有表现出这种偏见＆＃34;是因为默认情况下，它们搜索所有变量以获得最佳分割。