Melhor maneira de apresentar uma floresta aleatória em uma publicação?

Estou usando o algoritmo de floresta aleatória como um classificador robusto de dois grupos em um estudo de microarray com milhares de recursos.

• Qual é a melhor maneira de apresentar a floresta aleatória para que haja informações suficientes para torná-la reproduzível em um artigo?
• Existe um método de plotagem em R para realmente plotar a árvore, se houver um pequeno número de recursos?
• A estimativa de taxa de erro OOB é a melhor estatística a ser citada?

Em relação à reprodução, a melhor maneira é fornecer pesquisa reproduzível (código e dados) junto com o artigo. Disponibilize-o em seu site ou em um site de hospedagem (como o github).

Em relação à visualização, Leo Breiman fez um trabalho interessante sobre isso (consulte sua página inicial , em particular a seção de gráficos ).

Mas se você estiver usando R, o randomForestpacote terá algumas funções úteis:

data(mtcars)
mtcars.rf <- randomForest(mpg ~ ., data=mtcars, ntree=1000, keep.forest=FALSE,
                           importance=TRUE)
plot(mtcars.rf, log="y")
varImpPlot(mtcars.rf)

E

set.seed(1)
data(iris)
iris.rf <- randomForest(Species ~ ., iris, proximity=TRUE,
                        keep.forest=FALSE)
MDSplot(iris.rf, iris$Species)

Não conheço uma maneira simples de plotar uma árvore, mas você pode usar a getTreefunção para recuperar a árvore e plotar isso separadamente.

getTree(randomForest(iris[,-5], iris[,5], ntree=10), 3, labelVar=TRUE)

A apresentação de Strobl / Zeileis sobre "Por que e como usar medidas aleatórias de importância variável da floresta (e como você não deve)" tem exemplos de árvores que devem ter sido produzidas dessa maneira. Esta postagem no blog sobre modelos de árvores tem alguns bons exemplos de gráficos de árvores CART que você pode usar, por exemplo.

Como o @chl comentou, uma única árvore não é especialmente significativa nesse contexto; portanto, sem usá-la para explicar o que é uma floresta aleatória, eu não a incluiria em um artigo.

1. Como Shane escreveu; torne a pesquisa reproduzível + inclua sementes aleatórias, porque a RF é estocástica.
2. Primeiro de tudo, planejar árvores isoladas formando RF não faz sentido; este é um classificador de conjunto, faz sentido apenas como um todo. Mas até mesmo plotar toda a floresta não faz sentido - é um classificador de caixa preta, portanto, não se destina a explicar os dados com sua estrutura, e sim a replicar o processo original. Em vez disso, faça algumas das parcelas sugeridas por Shane.
3. Na prática, OOB é uma aproximação de erro muito boa; no entanto, esse não é um fato amplamente aceito; portanto, para publicação, é melhor também criar um currículo para confirmá-lo.

Lembre-se das advertências nas outras respostas sobre o enredo ser necessariamente significativo. Mas se você deseja um gráfico para fins ilustrativos / pedagógicos, o seguinte trecho de R pode ser útil. Não é difícil adicionar "ponto de divisão" ao texto da borda, se necessário.

to.dendrogram <- function(dfrep,rownum=1,height.increment=0.1){

  if(dfrep[rownum,'status'] == -1){
    rval <- list()

    attr(rval,"members") <- 1
    attr(rval,"height") <- 0.0
    attr(rval,"label") <- dfrep[rownum,'prediction']
    attr(rval,"leaf") <- TRUE

  }else{##note the change "to.dendrogram" and not "to.dendogram"
    left <- to.dendrogram(dfrep,dfrep[rownum,'left daughter'],height.increment)
    right <- to.dendrogram(dfrep,dfrep[rownum,'right daughter'],height.increment)
    rval <- list(left,right)

    attr(rval,"members") <- attr(left,"members") + attr(right,"members")
    attr(rval,"height") <- max(attr(left,"height"),attr(right,"height")) + height.increment
    attr(rval,"leaf") <- FALSE
    attr(rval,"edgetext") <- dfrep[rownum,'split var']
    #To add Split Point in Dendrogram
    #attr(rval,"edgetext") <- paste(dfrep[rownum,'split var'],"\n<",round(dfrep[rownum,'split point'], digits = 2),"=>", sep = " ")
  }

  class(rval) <- "dendrogram"

  return(rval)
}

mod <- randomForest(Species ~ .,data=iris)
tree <- getTree(mod,1,labelVar=TRUE)

d <- to.dendrogram(tree)
str(d)
plot(d,center=TRUE,leaflab='none',edgePar=list(t.cex=1,p.col=NA,p.lty=0))