Medidas de importância variável em florestas aleatórias

40

Venho brincando com florestas aleatórias para regressão e estou tendo dificuldade em descobrir exatamente o que as duas medidas de importância significam e como elas devem ser interpretadas.

A importance()função fornece dois valores para cada variável: %IncMSEe IncNodePurity. Existem interpretações simples para esses 2 valores?

Em IncNodePurityparticular, isso é simplesmente a quantidade que o RSS aumenta após a remoção dessa variável?

dcl
fonte
1
Você já olhou ?importance? Há uma explicação lá sobre o que ambas as medidas dizer ...
Nick Sabbe
2
@ Nick Sabbe, eu tenho, e estou tentando envolver minha cabeça em torno deles. Fiquei me perguntando se há alguma interpretação intuitiva agradável para eles.
dcl

Respostas:

42

O primeiro pode ser 'interpretado' da seguinte forma: se um preditor é importante no seu modelo atual, a atribuição de outros valores para esse preditor aleatoriamente, mas 'realisticamente' (ou seja: permutando os valores desse preditor no seu conjunto de dados), deve ter uma influência negativa na previsão, ou seja: usar o mesmo modelo para prever a partir de dados iguais, exceto para uma variável, deve fornecer previsões piores.

Então, você toma uma medida preditiva (MSE) com o conjunto de dados original e, em seguida, com o conjunto de dados 'permutado' e os compara de alguma forma. Uma maneira, principalmente porque esperamos que o MSE original seja sempre menor, a diferença pode ser tomada. Por fim, para tornar os valores comparáveis ​​em relação às variáveis, eles são dimensionados.

Para o segundo: em cada divisão, é possível calcular quanto essa divisão reduz a impureza do nó (para árvores de regressão, de fato, a diferença entre o RSS antes e depois da divisão). Isso é resumido em todas as divisões para essa variável, em todas as árvores.

Nota: uma boa leitura é Elements of Statistical Learning de Hastie, Tibshirani e Friedman ...

Nick Sabbe
fonte
3
Cheers, eu realmente tenho que livro aberto agora :)
DCL
O que significa RSS?
DavideChicco.it 27/10/16
10

As métricas de importância da floresta aleatória, conforme implementadas no pacote randomForest em R, apresentam peculiaridades, pois os preditores correlacionados obtêm valores de baixa importância.

http://bioinformatics.oxfordjournals.org/content/early/2010/04/12/bioinformatics.btq134.full.pdf

Eu tenho uma implementação modificada de florestas aleatórias no CRAN que implementa sua abordagem de estimar valores empíricos de p e taxas de falsas descobertas, aqui

http://cran.r-project.org/web/packages/pRF/index.html

Ankur Chakravarthy
fonte
1
isso explica a saída diferente de importância variável se você usar randomForest com o pacote de sinal de intercalação como caret::train(method="rf", importance = TRUE, ...)??
Agile Bean