在R的randomForest包中，因子变量是否需要明确标记为因子？

Question

那么这个程序包会意识到它们不是连续的而将它们视为因子吗？我知道，在分类中，被分类的特征确实需要成为一个因子。但是对于预测性特征呢？我在一些玩具数据集上运行了它，发现分类特征是数值型还是因子型会得到稍微不同的结果，但算法是随机的，所以我不知道结果的差异是否有意义。

谢谢！

- ostrichgroomer

---

如果你想以可重复的方式测试使用随机数生成器（RNG）的脚本或函数，请在运行函数之前尝试使用set.seed（number）为RNG设置种子，其中number是任何整数。然后您可以测试您的假设是否正确。 - ialm

Answer 1

是的，这两者之间是有区别的。如果你想使用一个因子变量，你应该明确指定它，而不是将其留作数字。

对于分类数据（在CrossValidated上这里有一个非常好的答案）：

引用如下： “对于具有N个级别的因子，其分裂实际上是选择(2 ^ N) - 2个可能组合中的一个。因此，算法将检查所有可能的组合并选择产生更好分裂的那个。”

对于数值数据（如这里所见）：

引用如下： “数值预测变量被排序，然后为每个值计算Gini不纯度或熵，并选择一个阈值，该阈值提供最佳分裂。”

所以，无论你将其添加为因子还是数字变量，它都会有所不同。这种差异的程度取决于实际数据。

- LyzandeR

---

确实取决于手头的数据，就像你所说的那样。我曾在基因组数据上使用randomForest包（因此所有预测变量都在{0,1}中），将它们作为连续或分类变量传递没有任何区别。在前一种情况下，拆分条件类似于x>0.5或x<0.5，这相当于在0和1之间进行二进制选择。然而，令人费解的是，RF在分类预测变量方面要慢得多，因此如果可以的话，我总是选择连续属性。 - stas g