lasy losowe obiekt ma wszystko informacje o każdym drzewie w obiekcie. Każde drzewo nie jest szczególnie skomplikowane, chociaż może być mylące.
iris.rf <- randomForest(Species ~ ., data=iris, importance=TRUE,
proximity=TRUE)
> names(iris.rf$forest)
[1] "ndbigtree" "nodestatus" "bestvar" "treemap" "nodepred"
[6] "xbestsplit" "pid" "cutoff" "ncat" "maxcat"
[11] "nrnodes" "ntree" "nclass" "xlevels"
Aby dowiedzieć się, jak korzystać z lasu poza R, trzeba spojrzeć na kod źródłowy. Pobierz pakiet źródłowy randomForest, rozpakuj tar.gz i zajrzyj do katalogu src. W rf.c zobaczysz funkcję classForest (a dla regresji spójrz na regForest w regrf.c). Spójrz na funkcję R predict.randomForest, aby zobaczyć, jak jest wywoływana. Być może będziesz musiał użyć getAnywhere ("predict.randomForest"), aby zobaczyć go wewnątrz R.
Będzie to wymagało sporego rozdrobnienia, aby wyodrębnić informacje R i przewidzieć w innym pakiecie, więc będziesz musiał pomyśleć ostrożnie, zanim faktycznie to zrobiłeś. Ponowne umieszczenie w oprogramowaniu, z którego zamierzasz korzystać, może być prostsze.
Dzięki za odpowiedź @Paolo, ale po tym jak mam plik PMML, Jak mogę go wykonać? – nanounanue
Jeśli odpowiedź była dla Ciebie przydatna, zostanie doceniona upominek! ;-) Jeśli chodzi o twoje pytanie, musisz sprawdzić, czy możesz zaimportować model pmml w języku, którego użyjesz do wdrożenia. – Paolo
Masz rację! post był przydatny, pozwól mi głosować. Czy możesz polecić mi jakiś język lub oprogramowanie obsługujące PMML? Jeszcze raz dziękuję za pomoc. – nanounanue