在R的randomForest包中，必须将因子明确标记为因子吗？

Question

或者包装是否意识到它们不是连续的并且将它们视为因素？我知道，对于分类，被分类的特征确实需要是一个因素。但是预测功能呢？我在几个玩具数据集上运行它，根据分类特征是数字还是因子，我得到的结果略有不同，但算法是随机的，所以我不知道我的结果中的差异是否有意义。

谢谢！

Answer 1

是的，两者之间存在差异。如果要使用因子变量，则应将其指定为此类，而不是将其保留为数字。

对于分类数据（this实际上是CrossValidated的一个非常好的答案）：

  

对具有N个级别的因子的分割实际上是（2 ^ N）-2个可能组合之一的选择。因此，算法将检查所有可能的组合，并选择产生更好分裂的组合

对于数值数据（如here所示）：

  

对数值预测值进行排序，然后对每个值进行排序，计算基尼杂质或熵，并选择一个给出最佳分裂的阈值。

因此，无论您是将其添加为因子还是数字变量，都会产生影响。差异有多大取决于实际数据。