Question

参数

data：包含模型中变量的可选数据框。默认情况下，变量取自randomForestis从
subset：一个索引向量，指示应使用哪些行。（注意：如果给定，则必须命名此参数。）

我的问题：

data参数为什么是“可选”的？如果data是可选的，那么训练数据来自哪里？ “默认情况下，变量是从randomForestis调用的环境中获取的”的确切含义是什么？
为什么我们需要subset参数？假设我们有iris数据集。如果我想将前100行用作训练数据集，则只需选择training_data <- iris[1:100,]。何必？使用subset有什么好处？

Answer 1

这不是一种不常见的方法，当然不是randomForests独有的方法。
```
mpg <- mtcars$mpg
disp <- mtcars$disp
lm(mpg~disp)
# Call:
# lm(formula = mpg ~ disp)
# Coefficients:
# (Intercept)         disp  
#    29.59985     -0.04122  
```
因此，当lm（在这种情况下）试图解析公式mpg~disp中引用的变量时，它将在调用环境中查看data（如果提供）。进一步的示例：
```
rm(mpg,disp)
mpg2 <- mtcars$mpg
lm(mpg2~disp)
# Error in eval(predvars, data, env) : object 'disp' not found
lm(mpg2~disp, data=mtcars)
# Call:
# lm(formula = mpg2 ~ disp, data = mtcars)
# Coefficients:
# (Intercept)         disp  
#    29.59985     -0.04122  
```
（请注意，mpg2不在mtcars中，因此这两种方法都使用了查找数据的方法。我不使用此功能，而是选择在呼叫中提供所有数据的弹性步骤；如果不是这种情况，不难想像其中再现性受到损害的示例。
类似地，许多类似的函数（包括lm）都允许使用此subset=参数，因此randomForests包含它的事实是一致的。我相信这只是一个方便的论点，因为以下内容大致相同：
```
lm(mpg~disp, data=mtcars, subset= cyl==4)

lm(mpg~disp, data=mtcars[mtcars$cyl == 4,])

mt <- mtcars[ mtcars$cyl == 4, ]
lm(mpg~disp, data=mt)
```
使用subset可以使引用稍微简单些（cyl与mtcars$cyl），并且当引用变量的数量增加时（例如，出于“代码高尔夫”目的）它的效用会增加）。但这也可以通过其他机制来完成，例如with，所以...主要是个人喜好。

编辑：正如joran所指出的，randomForest（以及其他，但 not lm也可以用任一公式调用，是您通常使用data参数的位置，或者通过分别与参数x和y一起指定预测变量/响应参数的位置，如以下取自?randomForest的示例所示（忽略其他参数不一致）：

iris.rf <- randomForest(Species ~ ., data=iris, importance=TRUE, proximity=TRUE)
iris.rrf <- randomForest(iris[-1], iris[[1]], ntree=101, proximity=TRUE, oob.prox=FALSE)

如何理解randomForest R包中“数据”和“子集”的参数？

1 个答案: