将随机森林变成决策树-在R中使用randomForest包

Question

是否可以生成决策树的树完全相同？ 请注意，这是一个实验性问题。 据我了解，与单个决策树相比，随机森林具有两个导致“随机性”的参数：

1）在决策树的每个节点上随机采样的要素数量，以及

2）绘制一些训练示例来创建树。

直观地讲，如果我将这两个参数设置为其最大值，则应避免使用“随机性”，因此，每个创建的树都应该完全相同。 因为所有树木都是完全相同的，所以无论森林中树木的数量或不同的行径（即不同的种子值），我都应该获得相同的结果。

我已经使用R中的randomForest库测试了这个想法。我认为上述两个参数分别对应于'mtry'和'sampsize'。 我将这些值设置为最大值，但是不幸的是，仍然存在一些随机性，因为OOB误差估计值取决于森林中树木的数量？

您能否帮助我理解如何充分地使用R中的randomForest库的参数来消除随机决策林中的所有随机性？

Answer 1

除了mtry和sampsize之外，randomForest（）中还有另一个相关的参数：replace。 默认情况下，通过替换来完成用于生长每棵树的数据点的采样。 如果要在所有树中使用所有数据点，则不仅需要将sampsize设置为数据点的数量，还需要设置replace = FALSE。

这是一个玩具示例，展示了您可以得到一棵相同树木的森林：

库（随机森林）

set.seed（17）

x <-矩阵（sample（5，50，replace = TRUE），10，5）

y <-factor（sample（2，10，replace = TRUE））

rf1 <-randomForest（x，y，mtry = ncol（x），sampsize = nrow（x），replace = FALSE，ntree = 5）

然后，可以使用getTree（rf1，1）等检查所有树是否相同。