Quelle est la meilleure façon de présenter une forêt au hasard dans une publication?

J'utilise l'algorithme de forêt aléatoire en tant que classificateur robuste de deux groupes dans une étude de microréseau comportant des milliers d'éléments.

• Quelle est la meilleure façon de présenter la forêt aléatoire de manière à ce qu'il y ait suffisamment d'informations pour la rendre reproductible dans un document?
• Existe-t-il une méthode de tracé dans R pour tracer réellement l'arbre, s'il y a un petit nombre d'entités?
• Est-ce que l'estimation du taux d'erreur hors bande est la meilleure statistique à citer?

Pour ce qui est de le rendre reproductible, le meilleur moyen est de fournir une recherche reproductible (code et données) avec le papier. Rendez-le disponible sur votre site Web ou sur un site d'hébergement (comme github).

En ce qui concerne la visualisation, Leo Breiman a fait un travail intéressant à ce sujet (voir sa page d’accueil , en particulier la section sur les graphiques ).

Mais si vous utilisez R, le randomForestpaquet a quelques fonctions utiles:

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

Et

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

Je ne suis pas au courant d'un moyen simple de tracer un arbre, mais vous pouvez utiliser la getTreefonction pour récupérer l'arbre et le tracer séparément.

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

La présentation de Strobl / Zeileis sur "Pourquoi et comment utiliser des mesures aléatoires d'importance variable de la forêt (et comment vous ne devriez pas le faire)" contient des exemples d'arbres qui doivent avoir été produits de cette manière. Ce billet de blog sur les modèles d’arbre contient quelques exemples intéressants de diagrammes CART que vous pouvez utiliser, par exemple.

Comme @chl a commenté, un seul arbre n'a pas vraiment de sens dans ce contexte. Aussi, à moins de l'utiliser pour expliquer ce qu'est une forêt aléatoire, je ne l'inclurais pas dans un document.

1. Comme Shane l'a écrit: faites-en une recherche reproductible + incluez des graines aléatoires, parce que RF est stochastique.
2. Tout d'abord, tracer des arbres simples formant RF est un non-sens; c'est un classificateur d'ensemble, cela n'a de sens que dans son ensemble. Mais même tracer toute la forêt n’a aucun sens: c’est un classificateur à boîte noire; il n’est donc pas destiné à expliquer les données avec leur structure, mais à reproduire le processus original. Faites plutôt quelques complots suggérés par Shane.
3. En pratique, OOB est une très bonne approximation d'erreur. Cependant, ce fait n’est pas un fait largement accepté. Il est donc préférable de faire un CV pour le publier.

Gardez à l'esprit les mises en garde dans les autres réponses sur le fait que l'intrigue a nécessairement un sens. Mais si vous voulez une parcelle à des fins d'illustration / pédagogique, l'extrait suivant de R peut être utile. Pas difficile d'ajouter "point de partage" au texte de bord si vous en avez besoin.

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))