spatialRF

官网：Easy Spatial Modeling with Random Forest ? spatialRF (blasbenito.github.io)

spatialRF是一种在考虑空间自相关的前提下，利用随机森林对空间数据进行回归并解释的R包。

数据要求

参数命名

data：训练集，data frame。

dependent.variable.name：因变量（y）的列名。

predictor.variable.names：所有自变量（x）的列名。

xy：每个实例的坐标（一行一个坐标），按照 x、y 的顺序命名的 2 列，数据类型可以是 data frame 或 matrix。

distance.matrix：data中各个实例之间的距离，一个矩阵，矩阵的长宽皆为实例数量（行数）。

distance.thresholds：需要计算空间自相关的距离，一个向量。单位与distance.matrix相同。向量包含多个距离阈值，之后会根据每个距离阈值计算 Moran I。

数据探索

① 数据分布初探

通过 plot_training_df 函数来绘制每个x与y的散点图，初步判断每个x与y的大致关系，比如正相关、负相关、相关是否显著......

②?空间自相关性（spatial autocorrelation）

通过 plot_training_df_moran 函数来绘制每个变量的空间自相关性，变量包括y和每个x。此函数用 Moran's I 来衡量空间自相关性，且该函数默认当p值大于等于0.05时视作该变量在给定距离阈值下的空间自相关性不显著。

③?多重共线性（multicollinearity）

通过 auto_cor 和 auto_vif 两个函数来检查 x 的多重共线性。

auto_cor 使用双变量R方来度量多重共线性，auto_vif 使用方差膨胀因子来度量多重共线性。

用户可以通过参数preference.order来定义变量的偏好顺序（这个参数不是必须的，没有偏好可以不写。设置这个参数是为了引入专业知识来调控变量的选择。）

代码示例：

preference.order <- c(  # 定义变量的偏好顺序，最重要的在最前面
    "variable_1",
    "variable_2",
    "variable_3"
  )

predictor.variable.names <- spatialRF::auto_cor(
  x = dataframe[, predictor.variable.names],   # dataframe为整个数据集，包含y和所有x。
  cor.threshold = 0.75,  # 默认值
  preference.order = preference.order  # 如果没有偏好，就删掉这一行
) %>% 
  spatialRF::auto_vif(
    vif.threshold = 5,  # 默认值
    preference.order = preference.order
  )

predictor.variable.names$selected.variables  # 查看所有被选择的变量（去除多重共线性之后剩下的变量）

输出示例：

## [auto_cor()]: Removed variables: variable_2

## [auto_vif()]: Variables are not collinear.

④ 特征工程

这其实是个比较宏大的问题，不过spatialRF给出一个懒人函数：the_feature_engineer，这个函数会对所有最重要的x之间的组合进行测试，输出最重要的一些组合。

个人觉得特征工程最好还是结合专业知识进行。

拟合与预测

① 原始的随机森林（non-spatial Random Forest?）

随机森林感觉没啥好说的，网上教程一搜一大把。。

代码示例：

# 模型拟合
model.non.spatial <- spatialRF::rf(
  data = dataframe,  # 你的数据集，必须包含y和所有模型需要使用的x。
  dependent.variable.name = dependent.variable.name,  # y的名称（列名）
  predictor.variable.names = predictor.variable.names,  # 所有模型需要使用的x的名称（如果进行了多重共线性处理、特征工程等操作，这里的x会和读取的不一样）
  # distance.matrix、distance.thresholds、xy这三个参数，在non-spatial RF的拟合过程并不会用到。但是后续对结果的分析会用到（比如计算模型残差的自相关系数）
  distance.matrix = distance.matrix,
  distance.thresholds = distance.thresholds,
  xy = xy,
  seed = random.seed,
  verbose = FALSE  # 默认是True。当该参数是True时，会显示函数运行中的信息和图表。
)

# 模型应用：把上面拟合好的模型用到一个新的数据集上
predicted <- stats::predict(
  object = model.non.spatial,
  data = new_dataframe,  # 新的数据集，必须包含之前拟合时用到的所有的x
  type = "response"
  )$predictions

② 空间随机森林（spatial Random Forest）

该R包的核心。说是在随机森林中考虑了变量的空间自相关性，但我没找到模型具体是怎么考虑的说明。不过从后分析图表上可以看到，spatialRF 输出结果的残差的空间自相关性 确实比 non-spatialRF 小了不少。这个图表下一节“结果分析”会说。

代码示例：

model.spatial <- spatialRF::rf_spatial(
  model = model.non.spatial,
  method = "mem.moran.sequential",
  verbose = FALSE,
  seed = random.seed
  )

从代码可以看出，spatialRF是基于non-spatialRF建立的。

结果分析

① 模型拟合的残差（Residuals）

non_spatial_residuals <- model.non.spatial$residuals  # non-spatialRF输出结果的残差（可以理解成预测值和真实值之间的误差）

spatialRF::plot_residuals_diagnostics(  # 绘制一大波有关残差的图表
  model.non.spatial,
  verbose = FALSE
  )

spatialRF::plot_moran(  # 绘制莫兰指数（Moran's I），上面那个函数包含了这个图。
  model.non.spatial, 
  verbose = FALSE
  )

一大波残差图大概长这样：最上面的图是正态性检验，中图显示残差和拟合值之间的关系，下图就是大家喜闻乐见的 Moran's I 图。

② 特征的重要性

(a) 全局重要性

non_spatial_variable_importances <- model.non.spatial$variable.importance

spatialRF::plot_importance(  # 绘制特征重要性图
  model.non.spatial,
  verbose = FALSE,
  scaled.importance = TRUE  # 对特征重要性进行归一化处理。非必选项。
  )

我的理解是，变量重要性（variable importance）表示当某个变量被剔除时，模型误差的增加。

(b) 局部重要性

分析x对每个实例（每一行）的重要性；即针对每个实例，都会有一套所有x的重要性。

local_importances <- spatialRF::get_importance_local(model.non.spatial)

# 显示local_importances 的一些行和一些列
kableExtra::kbl(
  round(local.importance[1:10, 1:5], 0),  # 1~10行，1~5列
  format = "html"
) %>%
  kableExtra::kable_paper("hover", full_width = F)

ps：其实我漏了一个调参没讲。因为我用这个包的应用场景不需要调参O(∩_∩)O哈哈~日后如果用到了会补充。（希望永远不要再碰R了，我爱python！！！）