r - 在 R 的 randomForest 包中，因子是否必须明确标记为因子？

Question

还是包裹会意识到它们不是连续的并将它们视为因素？我知道，对于分类，被分类的特征确实需要是一个因素。但是预测功能呢？我已经在几个玩具数据集上运行了它，根据分类特征是数字还是因子，我得到的结果略有不同，但算法是随机的，所以我不知道我的结果的差异是否有意义。

谢谢!

Answer 1

是的，两者之间是有区别的。如果你想使用一个因子变量，你应该这样指定它，而不是把它作为一个数字。

对于分类数据(this 实际上是 CrossValidated 上的一个很好的答案):

A split on a factor with N levels is actually a selection of one of the (2^N)−2 possible combinations. So, the algorithm will check all the possible combinations and choose the one that produces the better split

对于数值数据(如 here 所示):

Numerical predictors are sorted then for every value Gini impurity or entropy is calculated and a threshold is chosen which gives the best split.

所以是的，将它添加为因子还是数字变量会有所不同。差异有多大取决于实际数据。