【R模型】R语言并行计算随机森林模型

   众所周知，如果我们在森林中有更多的树，它会给所有人带来最好的审美吸引力，并被视为最好的森林。随机森林分类器中也是如此，树的数量越多，准确性就越好，是一个更好的模型。当然，随机森林也存在缺点。

随机森林优点：

• 适合处理大型数据集。
• 学习速度快，精度高。
• 可以一次处理大量的变量。
• 该模型不用担心过拟合。

随机森林缺点：

• 复杂性是一个主要问题。由于该算法创建了许多树并组合其输出以产生最佳输出，因此需要更多的计算时间和资源。
• 训练随机森林模型的时间通常更长，因为它会生成大量树。
  因此，今天我们主要与大家分享如何通过并行提高随机森林的运行速度。

🐣 一、并行计算的简介

并行计算基本上是指在同一实例中使用两个或两个以上（或处理器）来解决一个存在的问题。这里的主要目标是将任务分解为更小的子任务并同时完成它们。

一个简单的示例将阐明并行计算的核心思想：
假设下面的表达式来评估：

Z= 7a + 8b + 2c + 3d

如果没有并行运行的过程是：
1）输入变量的数值

Z = (7*1) + (8*2) + (2*9) + (3*5)

2）评估表达式：

Z = 7 + (8*2) + (2*9) + (3*5)

3）按顺序进行计算：

Z = 7 + 16 + (2*9) + (3*5)
Z = 7 + 16 + 18 + (3*5)
Z = 7 + 16 + 18 + 15
Z = 56

并行计算同一个式子的过程：

Z = (7*1) + (8*2) + (2*9) + (3*5)
Z = 7 + 16 + 18 + 15
Z = 56

这一看，节省了很多步骤，肯定比上面步骤所运行速度估计得快很多。

🐤 二、R语言并行计算随机森林

1.加载所需R包

library(caret)
library(randomForest)
library(doParallel)数据格式如下：

2.读取数据集

train_data <- read.csv("train_data.csv", header = T)
test_data <- read.csv("test_data.csv", header = T)

3.查看数据结构

dim(train_data)
dim(test_data)
str(train_data)
str(test_data)

考虑数据中是否存在缺失值，如果有可以剔除：

table(is.na(train_data))
table(is.na(test_data))

剔除需要用到，na.omit函数。从结果图来看不存在，因此不需要处理。

现在我们将正常构建模型并记录所花费的时间：

start.time<-proc.time()
model<-train(Survived ~., data=train_data, method='rf')
stop.time<-proc.time()
run.time<-stop.time -start.time
print(run.time)

现在用并行计算构建模型，加载doParallel包。我们可以看到函数 makePSOCKcluster() 创建了一组并行运行集群R 副本。stopCluster() 在 cl 中停止集群中的引擎节点。我们还将记录通过这种方法构建模型所花费的时间。

no_cores <- detectCores()/2
cl<-makePSOCKcluster(no_cores)
registerDoParallel(cl)

start.time<-proc.time()
model <- train(Survived~., data=train_data, method='rf')
stop.time<-proc.time()
run.time<-stop.time -start.time
print(run.time)
stopCluster(cl)