利用R中的randomForest包将随机森林转化为决策树

Question

是否有可能生成一个树木完全相同的决策林？请注意，这是一个实验性的问题。据我所知，与单个决策树相比，随机森林有两个导致“随机性”的参数：

( 1)在决策树的每个节点随机抽样的特征数，以及

2)为创建树而绘制的训练示例的数量。

直观地说，如果我将这两个参数设置为它们的最大值，那么我应该避免“随机性”，因此每个创建的树都应该完全相同。因为所有的树都是完全相同的，所以不管森林中有多少树或不同的运行(即不同的种子值)，我都应该取得相同的结果。

我使用R中的randomForest库测试了这个想法，我认为前面提到的两个参数分别对应于'mtry‘和'sampsize’。我已经将这些值设置为它们的最大值，但不幸的是，仍然存在一些随机性，因为OOB-错误估计会根据森林中的树数而变化？！

请您帮助我理解如何消除随机决策林中的所有随机性，预先使用R中randomForest库的参数吗？

Answer 1

除了mtry和sampsize之外，randomForest()中还有另一个相关的参数:替换。默认情况下，对生长每棵树的数据点的采样是通过替换完成的。如果希望在所有树中使用所有数据点，那么不仅需要将sampsize设置为数据点的数量，还需要设置replace=FALSE。

下面是一个玩具示例，说明您可以获得一个由相同树木组成的森林：

图书馆(RandomForest) set.seed(17) X <-矩阵(样本(5，50，replace=TRUE)，10，5) Y <-因子(样本(2，10，replace=TRUE)) rf1 <- randomForest(x，y，mtry=ncol(x)，sampsize=nrow(x)，replace=FALSE，ntree=5)

然后，您可以使用getTree(rf1，1)等来检查所有树是否相同。