MINI MINI MANI MO

%
% Copyright (c) 2015, Oracle and/or its affiliates. All rights reserved.
%
\name{ore.randomForest}
\alias{ore.randomForest}
\alias{grabTree}
\alias{grabTree.ore.randomForest}
\alias{predict.ore.randomForest}
\alias{print.ore.randomForest}
\title{
Oracle R Enterprise - randomForest-Funktion
}
\description{
Zufällige parallele Gesamtstrukturmodelle von \code{ore.frame}-Daten für
  Klassifizierung erstellen.
}
\usage{
ore.randomForest(formula, data, ntree=500, mtry = NULL,
           replace = TRUE, classwt = NULL, cutoff = NULL,
           sampsize = if(replace) nrow(data) else ceiling(0.632*nrow(data)),
           nodesize = 1L, maxnodes = NULL, confusion.matrix = FALSE,
           groups = getOption("ore.parallel", NULL), na.action = na.fail, ...)

### Specific methods for ore.randomForest objects
\method{grabTree}{ore.randomForest}(object, k = 1L, labelVar = FALSE, ...)
\method{predict}{ore.randomForest}(object, newdata,
                                   type = c("response", "prob", "vote", "all"),
                                   norm.votes = TRUE,
                                   supplemental.cols = NULL,
                                   cache.model = TRUE, ...)
\method{print}{ore.randomForest}(x, ...)
}
\arguments{
  \item{formula}{
Ein \code{\link[stats]{formula}}-Objekt, das das
    zufällige Gesamtstrukturmodell für das Training darstellt.
}
  \item{data}{
Ein \code{ore.frame}-Objekt, das die die Daten für dieses 
    Modell angibt.
}
  \item{ntree}{
Gesamtanzahl der zu erweiternden Bäume.
}
  \item{mtry}{
Die Anzahl der Variablen, die in den einzelnen Baumknotenaufteilungen zufällig
    als Kandidaten ausgewählt werden. Wird keine Angabe gemacht, wird dieser Wert auf die
    abgerundete Ganzzahl der Quadratwurzel der Attributanzahl in \code{formula} gesetzt.
}
  \item{replace}{
Ein logischer Wert, der angibt, ob ein Sampling
    mit Ersetzung durchgeführt werden soll.
}
  \item{classwt}{
Ein Vektor der vorherigen Elemente von Klassen. Falls angegeben, muss
    die Länge des Vektors der Anzahl Klassen in der
    Zielspalte entsprechen. Der Vektor muss nicht 1 ergeben.
}
  \item{cutoff}{
Ein Vektor von Begrenzungswerten. Falls angegeben, muss die Länge
    des Vektors der Anzahl Klassen in der Zielspalte
    entsprechen. Bei Angabe der Vorhersageklasse für eine Beobachtung
    wird diejenige mit dem maximalen Verhältnis der zu begrenzenden Abstimmproportionen
    gewählt. Falls nicht angegeben, lautet der Standardwert \code{1/k}, wobei \code{k}
    die Anzahl der Klassen ist.
}
  \item{sampsize}{
Die Größe der aus den zu erweiternden Bäumen zu nehmenden Stichprobe.
}
  \item{nodesize}{
Die minimale Größe von Endknoten.
}
  \item{maxnodes}{
Die maximale Anzahl Endknoten eines jeden Baums, der
    erweitert werden soll. Falls nicht angegeben, können Bäume auf die maximale Größe erweitert werden,
    die von den Grenzwerten von \code{nodesize} abhängt.
}
  \item{confusion.matrix}{
Ein logischer Wert, der angibt, ob
    die Confusion Matrix zu berechnen ist. Beachten Sie, dass diese Confusion Matrix
    nicht auf OOB (out-of-bag) basiert. Sie ist das Ergebnis der Anwendung des
    erstellten Gesamtstrukturzufallsmodells auf alle Trainingsdaten.
}
  \item{groups}{
Gibt an, in wie viele Baumgruppen die Gesamtanzahl von 
    Bäumen aufgeteilt wird. Standardmäßig ist dies mit dem Wert
    der Option \code{ore.parallel} identisch. Wenn der Systemspeicher begrenzt ist, wird
    empfohlen, eine hohe Anzahl für dieses Argument festzulegen, damit die
    Größe jeder Gruppe klein bleibt, um Speichermangel zu vermeiden. Andernfalls
    sollte der Standardwert des Arguments beibehalten werden.
}
  \item{na.action}{
Die Art, wie \code{NA}-Werte
    bearbeitet werden. Mit Standardwert \code{na.fail} ist diese Bearbeitung nicht erfolgreich, wenn
    die Trainingsdaten \code{NA} enthalten.
}
  \item{\dots}{
Zusätzliche Argumente.
}
  \item{object, x}{
Ein \code{ore.randomForest}-Objekt.
}
  \item{k}{
Eine Ganzzahl, die angibt, welche Baumdaten extrahiert werden sollen.
}
  \item{labelVar}{
Ein logischer Wert, der angibt, ob die Spalten \code{split
      var} und \code{prediction} im zurückgegebenen Frame
    aussagefähige Labels verwenden.
}
  \item{newdata}{
Ein \code{ore.frame}-Objekt, die Testdaten.
}
  \item{type}{
Dieses Argument gibt den Ausgabetyp an. Der Wert
    kann \code{response}, \code{prob}, \code{votes} oder \code{all} sein
    und gibt den Ausgabetyp an: Vorhersagewerte, Matrix der 
    Klassenwahrscheinlichkeiten, Matrix der Stimmenanzahl oder beides: Stimmenmatrix und
    Vorhersagewerte.
}
  \item{norm.votes}{
Ein logischer Wert, der angibt, ob die Stimmenanzahl
    in der Ausgabestimmenmatrix normalisiert werden sollte. Das Argument
    wird ignoriert, wenn \code{type} gleich \code{response} oder \code{prob} ist.
}
  \item{supplemental.cols}{
Zusätzliche Spalten, die in dem Vorhersageergebnis
  aus dem \code{newdata}-Dataset einbezogen werden sollen.
}
  \item{cache.model}{
Ein logischer Wert, der angibt, ob das gesamte
    Gesamtstrukturzufallsmodell im Speicher während der Vorhersage zwischengespeichert werden soll.
}
}


\value{
Für \code{ore.randomForest} wird ein Objekt der Klasse
  \code{ore.randomForest} zurückgegeben. Einige der Komponenten sind folgende:
  \item{forest}{Ein \code{ore.frame}-Objekt, das die serialisierten erweiterten Bäume speichert.}
  \item{DOP}{Der Grad der zur Erstellung des Modells verwendeten Parallelität.}
  \item{confusion}{Die Confusion Matrix als das Ergebnis der Anwendung des
    erstellten Modells auf die Trainingsdaten, wenn \code{confusion.matrix} als
    \code{TRUE} angegeben wird.}
  Für \code{grabTree.ore.randomForest} wird \code{ore.frame} mit den
  \code{kth}-Baumdaten zurückgegeben. Jede Zeile steht für einen Knoten
  und enthält die Knoten-ID, die untergeordneten Knoten, die Aufteilungsvariable,
  den Aufteilungspunkt, den Knotenstatus (Endknoten: \code{-1},
  Nicht-Endknoten: \code{1}) und die Vorhersage.
  Für \code{predict.ore.randomForest} wird \code{ore.frame}
  mit Vorhersage und/oder Stimmenmatrix zurückgegeben, abhängig vom Argument \code{type}.
}
  

\details{
Mit der \code{ore.randomForest}-Funktion wird ein Gesamtstrukturzufallsmodell durch
  parallel erweiterte Bäume erstellt. Die Funktion gibt ein \code{ore.randomForest}-Objekt
  zurück. Sie setzt voraus, dass das Oracle R Distribution-(ORD-)
  oder \code{randomForest}-Package installiert ist. Vorzugsweise sollte das Oracle R
  Distribution-Package statt des \code{randomForest}-Packages installiert werden,
  um eine bessere Performance und Kompatibilität zu erzielen.
  Es wird eine Warnung ausgegeben, wenn das \code{randomForest}-Package verwendet wird.
  Die Bewertungsmethode \code{predict} wird parallel ausgeführt. Der Standardwert
  von \code{cache.model} \code{TRUE} wird empfohlen, sofern ausreichend Speicher verfügbar ist.
  Andernfalls muss \code{cache.model} auf \code{FALSE} gesetzt werden,
  um eine Speicherüberlastung zu vermeiden.
  Die globale Option \code{\link[OREbase:ore.options]{"ore.parallel"}} wird von
  \code{ore.randomForest} verwendet, um den im Oracle R Enterprise-Server
  zu verwendenden bevorzugten Parallelitätsgrad festzulegen.
}
\references{
  \href{http://www.oracle.com/technetwork/database/database-technologies/r/r-enterprise/documentation/index.html}{Oracle R Enterprise}
}
\author{
  Oracle \email{oracle-r-enterprise@oracle.com}
}
\seealso{
  \code{\link[randomForest]{randomForest}},
  \code{\link[OREbase:ore.options]{ore.parallel}}
}
\examples{
  IRIS <- ore.push(iris)
  mod <- ore.randomForest(Species~., IRIS)
  tree10 <- grabTree(mod, k = 10, labelVar = TRUE)
  ans <- predict(mod, IRIS, type="all", supplemental.cols="Species")
  table(ans$Species, ans$prediction)
}
\keyword{randomForest}