A floresta aleatória de Breiman usa ganho de informação ou índice de Gini?

15

Gostaria de saber se a floresta aleatória de Breiman (floresta aleatória no pacote R randomForest) usa como critério de divisão (critério para seleção de atributo) o ganho de informações ou o índice Gini? Tentei descobrir isso em http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm e na documentação do pacote randomForest em R. Mas a única coisa que descobri foi que o índice Gini pode ser usado para computação de importância variável.

alguém
fonte
Também me pergunto se as árvores de floresta aleatória no pacote randomForest são binárias ou não.
alguém

Respostas:

16

O pacote randomForest no R de A. Liaw é uma porta do código original, que é uma mistura de código c (traduzido) algum código fortran restante e código de wrapper R. Para decidir a melhor divisão geral entre pontos de interrupção e variáveis ​​variáveis, o código usa uma função de pontuação semelhante ao gini-gain:

GiniGain(N,X)=Gini(N)|N1||N|Gini(N1)|N2||N|Gini(N2)

Onde é um determinado recurso, N é o nó no qual a separação é para ser feita, e N 1 e N 2 são os dois nós filhos criados por divisão N . | . | é o número de elementos em um nó.XNN1N2N|.|

E , em que K é o número de categorias no nóGini(N)=1k=1Kpk2K

Gini(N)

|N2||N|Gini(N2)|N2|Gini(N2)=|N2|(1k=1Kpk2)=|N2|nclass2,k2|N2|2

where nclass1,k is the class count of target-class k in daughter node 1. Notice |N2| is placed both in nominator and denominator.

removing the trivial constant 1 from equation such that best split decision is to maximize nodes size weighted sum of squared class prevalence...

score= |N1|k=1Kp1,k2+|N2|k=1Kp2,k2=|N1|k=1Knclass1,k2|N1|2+|N2|k=1Knclass2,k2|N2|2 =k=1Knclass2,k21|N1|1+k=1Knclass2,k21|N1|2 =nominator1/denominator1+nominator2/denominator2

The implementation also allows for classwise up/down weighting of samples. Also very important when the implementation update this modified gini-gain, moving a single sample from one node to the other is very efficient. The sample can be substracted from nominators/denominators of one node and added to the others. I wrote a prototype-RF some months ago, ignorantly recomputing from scratch gini-gain for every break-point and that was slower :)

If several splits scores are best, a random winner is picked.

This answer was based on inspecting source file "randomForest.x.x.tar.gz/src/classTree.c" line 209-250

Soren Havelund Welling
fonte