1.可以先查询一下路径（可以是数据所在的路径）
需要更改路径的话用setwd(“路径”)
2.安装需要的包并使用
install.package("包名")
library("包名")randomForest:随机森林包
caret:常用于机器学习，数据处理，模型的结果展示。可用于数据的分割（训练集，测试集），查看混淆矩阵等等
pROC:衡量模型好坏
3.导入数据
如果用R自带的数据，以iris为例：有5个变量，3个种类
可以把Species作为因变量，用其它4个变量来预测种类
如果要调用本地的数据：
data <- read.csv("./dataset.csv",header=T)
表示导入此路径的下的一个csv文件
4.划分数据集、测试集
用createDataPartition()来划分，p=0.8表示80%的数据作为训练集，20%作为测试集，一般的训练集和测试集是比例是7:3或者8:2
将trainlist中的数作为训练集trainset，将不在trainlist中的数作为测试集testset
训练集有120行，5个变量
测试集有30行，5个变量
变量数目要保持一致
5.构建模型
R语言可以自动识别因变量的类型，如果是因子，就是做分类模型
为了复现模型，设置set.seed(数字随便写)
as.factor():R语言可以自动识别因变量的类型，如果是因子，就是做分类模型
data：训练集
importace:变量重要性排序
na.action:处理缺失值
na.pass:略过缺失值
na.omit:删除缺失值
错误率：5.83%
混淆矩阵：看对角线，setosa的40个都预测正确，versicolor错了4个，virgincica错了3个
也可以画图看一下效果
plot(rf.train,main="randomforest origin") 
6.预测
得到预测结果：
rf.test <- predict(rf.train,newdata=testset,type="class")查看各项指标：
> rf.cf <- caret::confusionMatrix(as.factor(rf.test),as.factor(testset$Species))
> rf.cf
Reference
Prediction setosa versicolor virginica
setosa 10 0 0
versicolor 0 10 1
virginica 0 0 9
上方的混淆矩阵显示：第一，二个种类的预测全对，第三个错了1个，错的是把virginica预测成bersicolor
Accuracy : 0.9667 #准确率是0.9667
95% CI : (0.8278, 0.9992)
No Information Rate : 0.3333
P-Value [Acc > NIR] : 2.963e-13
Kappa : 0.95 #越接近1说明模型效果越好
Balanced Accuracy 1.0000 0.9750 0.9500
#在样本数量不均匀时要看这个
7.ROC和AUC
前面需要的是类别，所以type="class"
而ROC需要一个概率，所以type=“prob”
> rf.test2 <- predict(rf.train,newdata = testset,type = "prob")
> head(rf.test2)
可以看到1，0.992说明很好
画ROC曲线
由于有三个变量，所以用多分类muticlass.roc(testser$Species,rf.test2)
如果只有两个变量，二分类调用roc(testset$Species, rf.test2)
> roc.rf <- multiclass.roc(testset$Species,rf.test2)
> roc.rf 
AUC值是0.995，很理想