基于 R 树的方法，如 randomForest、adaboost : interpret result of same data with different format

Question

假设我的数据集是一个充满分类变量的 100 x 3 矩阵。我想对响应变量进行二元分类。让我们用以下代码组成一个数据集:

set.seed(2013)
y <- as.factor(round(runif(n=100,min=0,max=1),0))
var1 <- rep(c("red","blue","yellow","green"),each=25)
var2 <- rep(c("shortest","short","tall","tallest"),25)
df <- data.frame(y,var1,var2)

数据如下所示:

> head(df)
  y var1     var2
1 0  red shortest
2 1  red    short
3 1  red     tall
4 1  red  tallest
5 0  red shortest
6 1  red    short

我尝试使用两种不同的方法对这些数据进行随机森林和 adaboost。第一种方法是按原样使用数据:

> library(randomForest)
> randomForest(y~var1+var2,data=df,ntrees=500)

Call:
 randomForest(formula = y ~ var1 + var2, data = df, ntrees = 500) 
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 1

        OOB estimate of  error rate: 44%
Confusion matrix:
   0  1 class.error
0 29 22   0.4313725
1 22 27   0.4489796

----------------------------------------------------
> library(ada)
> ada(y~var1+var2,data=df)

Call:
ada(y ~ var1 + var2, data = df)

Loss: exponential Method: discrete   Iteration: 50 

Final Confusion Matrix for Data:
          Final Prediction
True value  0  1
         0 34 17
         1 16 33

Train Error: 0.33 

Out-Of-Bag Error:  0.33  iteration= 11 

Additional Estimates of number of iterations:

train.err1 train.kap1 
        10         16 

第二种方法是将数据集转换为宽格式并将每个类别视为一个变量。我这样做的原因是因为我的实际数据集在 var1 和 var2 中有 500 多个因子，因此，树分区总是将这 500 个类别分为 2 个部分。这样做会丢失很多信息。转换数据:

id <- 1:100
library(reshape2)
tmp1 <- dcast(melt(cbind(id,df),id.vars=c("id","y")),id+y~var1,fun.aggregate=length)
tmp2 <- dcast(melt(cbind(id,df),id.vars=c("id","y")),id+y~var2,fun.aggregate=length)
df2 <- merge(tmp1,tmp2,by=c("id","y"))

新数据如下所示:

> head(df2)
   id y blue green red yellow short shortest tall tallest
1   1 0    0     0   2      0     0        2    0       0
2  10 1    0     0   2      0     2        0    0       0
3 100 0    0     2   0      0     0        0    0       2
4  11 0    0     0   2      0     0        0    2       0
5  12 0    0     0   2      0     0        0    0       2
6  13 1    0     0   2      0     0        2    0       0

我将随机森林和 adaboost 应用于这个新数据集:

> library(randomForest)
> randomForest(y~blue+green+red+yellow+short+shortest+tall+tallest,data=df2,ntrees=500)

Call:
 randomForest(formula = y ~ blue + green + red + yellow + short +      shortest + tall + tallest, data = df2, ntrees = 500) 
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 2

        OOB estimate of  error rate: 39%
Confusion matrix:
   0  1 class.error
0 32 19   0.3725490
1 20 29   0.4081633

----------------------------------------------------
> library(ada)
> ada(y~blue+green+red+yellow+short+shortest+tall+tallest,data=df2)
Call:
ada(y ~ blue + green + red + yellow + short + shortest + tall + 
tallest, data = df2)

Loss: exponential Method: discrete   Iteration: 50 

Final Confusion Matrix for Data:
          Final Prediction
True value  0  1
         0 36 15
         1 20 29

Train Error: 0.35 

Out-Of-Bag Error:  0.33  iteration= 26 

Additional Estimates of number of iterations:

train.err1 train.kap1 
         5         10 

两种方法的结果是不同的。当我们在每个变量中引入更多级别(即 var1 和 var2)时，差异更加明显。我的问题是，既然我们使用完全相同的数据，为什么结果不同？我们应该如何解释这两种方法的结果？哪个更可靠？

Answer 1

虽然这两个模型看起来相同，但它们本质上是不同的 - 在第二个模型中，您隐式地包含了给定观察可能具有多种颜色和多个高度的可能性。两种模型公式之间的正确选择将取决于您现实世界观察的特征。如果这些字符是排他性的(即每个观察值都是单一颜色和高度)，则模型的第一个公式将是正确使用的公式。但是，如果观察结果可能是蓝色和绿色，或任何其他颜色组合，则可以使用第二种配方。从原始数据的预感来看，第一个似乎是最合适的(即，观察如何具有多个高度？)。

此外，为什么将 df2 中的逻辑变量列编码为 0 和 2，而不是 0/1？我想知道这是否会对拟合产生任何影响，具体取决于数据如何编码为因子或数字。