此文主要涉及随机森林分类分析，主要包含以下几部分内容：
1）随机森林基础知识
2）randomForest()认识及构建分类判别模型；
3）随机森林参数调优
4）随机森林模型评估
classification rate、Sensitivity和specificity和ROC curve/AUC value
5）特征变量重要性筛选及绘图
重要性指数排序、交叉验证及Boruta算法筛选
一、 准备数据
此处使用的包含分类信息的虚构微生物otu数据，用于构建随机森林分类模型。主要分析目的：1）构建准确率高的随机森林分类模型，2）检测分类水平间重要的OTUs(biomarkers)。
1.1 导入数据
setwd("D:\\EnvStat\\公众号文件\\随机森林分析") # 设置工作路径
#dir()
#file.show("otu.csv")
otu = read.csv("otu.csv",row.names = 1,header = TRUE,check.names = FALSE,stringsAsFactors = FALSE) # 微生物组数据
dim(otu)
head(otu)
# 1.2 计算相对丰度
spe = otu
spe[3:ncol(spe)]
Original: https://blog.csdn.net/qq_39859424/article/details/124777166
Author: EcoEvoPhylo
Title: 机器学习-分类随机森林分析(randomForest模型构建、参数调优、特征变量筛选、模型评估和基础理论等)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/639341/
转载文章受原作者版权保护。转载请注明原作者出处！