使用随机森林来进行变量重要性评估-第二弹

写在前面

这几天陆续给大家推荐几种变量重要性的评估方法，本期推荐使用随机森林的另一种形式来进行变量重要性评估（数据筛选），文末下载练习数据哦~本期内容主要包括以下几点：

• 随机森林简介
• 随机森林的优点
  
• 绘制漂亮的结果筛选图

randomForest算法简介

「randomForest」算法进行计算时，通过对对象变量进行抽样构建预测模型，形成多个决策树，然后依次对对象进行分类，最后将各决策树的分类信息进行汇总，所有预测类别中的众数类别即为随机森林预测出的对象类别，进而使预测准确率大大提高。

随机森林的优点

1. 更高的分类准确率

2. 能够有效处理多元数据集，且不需要进行降维

3. 具有处理大数据的优势

4. 可以应用于具有大量缺失值的数据集中

5. 能够在进行分类的同时度量变量对分类的相对重要性

实例数据演示

话不多说，我们进入实战环节：

和上期一样，这次我们的示例数据依旧演示的是，植被群落特征、环境因子变量对地上净初级生产力（ANPP）变化的重要性

#调用R包
library(randomForest)
library(ggplot2)
#构建函数，这一步不需要改动
create_rfplot <- function(rf, type){
  
  imp <- importance(rf, type = type, scale = F)
  
  featureImportance <- data.frame(Feature = row.names(imp), Importance = imp[,1])
  
  p <- ggplot(featureImportance, aes(x = reorder(Feature, Importance), y = Importance)) +
    geom_bar(stat = "identity", fill = "#53cfff", width = 0.65) +
    coord_flip() + 
    theme_light(base_size = 20) +
    theme(axis.title.x = element_text(size = 15, color = "black"),
          axis.title.y = element_blank(),
          axis.text.x  = element_text(size = 15, color = "black"),
          axis.text.y  = element_text(size = 15, color = "black")) 
  return(p)
}
#设置随机种子
set.seed(123)
#读取数据
mydata<-read.csv(file.choose(),row.names=1)
#进行随机森林逆袭
rf1 <- randomForest(
  ANPP ~ .,  
  ntree = 40,
  data = mydata,
  nodesize = 1, 
  replace = FALSE,
  importance = TRUE
)
#查看随机森林结果
rf1$importance
#保存随机森林结果
write.csv(rf1$importance,"随机森林结果.csv")
#绘图
create_rfplot(rf1, type = 2)

结果与绘图

这是分析结果

这是初步绘图

示随机森林第二种使用方式

我们用如上代码进行随机森林分析后，好多小伙伴就会问一个问题，我们只是对变量的重要性进行了一个排序，那么如果我想知道哪个变量贡献较为显著，且随机森林的整体解释度是多少该怎么办呢，就像下边这幅图一样，那就运行下边的代码吧~

依旧演示的是，植被群落特征、环境因子变量对地上净初级生产力（ANPP）变化的重要性，代码很简洁，唯一需要注意的是，df<-design[,2:14]，这个代码代表的意思是，我们选取的是第2到第14列的数据

代码来了~

#调用R包
library(rfPermute)
library(ggplot2)
#读取数据
design<-read.csv(file.choose())
#构建随机森林数据框，读取第2列到第14列数据
df<-design[,2:14]
#设置随机种子，使结果能够重现
set.seed(123)
#运行随机森林
rf_results<-rfPermute(df$ANPP~., data =df, importance = TRUE, ntree = 1000)
#查看随机森林主要结果
rf_results$rf
#提取预测因子的解释率
predictor_var<- data.frame(importance(rf_results, scale = TRUE), check.names = FALSE)
#提取预测变量的显著
predictor_sig<-as.data.frame((rf_results$pval)[,,2])
colnames(predictor_sig)<-c("sig","other")
#合并显著因子和解释率表
df_pre<-cbind(predictor_var,predictor_sig)
df_pre$sig[df_pre$sig<=0.05]<-"*"
df_pre$sig[df_pre$sig>=0.05]<-" "
k <- df_pre$IncNodePurity[df_pre$sig=="*"]<-"red"
#绘制柱状图

ggplot(data=df_pre,aes(x=rownames(df_pre),y=df_pre$`%IncMSE`))+
  
  geom_bar(stat = 'identity',width=0.7,fill=k)+
  
  theme_classic()+ labs(x='',y='Increase in MSE(%)')+
  
  scale_y_continuous(expand = c(0,0),limit = c(0, 12))+
  
  geom_text(aes(label = df_pre$sig,y= df_pre$`%IncMSE`+ 0.1, x =rownames(df_pre)),vjust = -0.3,size = 6)+
  
  theme(axis.text = element_text(color = "black",size = 11))+ 
  annotate('text', label = sprintf('italic(R^2) == %.2f', 96.14), x = 9, y = 10, size = 5, parse = TRUE)

结果与绘图

这是R方等主要分析结果

这是初步绘图

由于数据是自己杜撰的，所以显著性有些差，大家快换自己的数据试试吧~

示例数据及脚本下载

关注生态R学社，回复“随机森林2”即可下载示例数据与脚本

参考文献：

Jiao S, Chen W, Wang J, et al. Soil microbiomes with distinct assemblies through vertical soil profiles drive the cycling of multiple nutrients in reforested ecosystems. Microbiome, 2018, 6(1): 1-13.