构建随机森林回归模型

此示例使用 "mtcars" 数据集创建随机森林模型来预测 carb 的值（化油器的数量）。

开始示例之前，请加载机器学习示例数据。

1. 使用 RF_REGRESSOR 和 mtcars 训练数据创建随机森林模型 myRFRegressorModel。使用 GET_MODEL_SUMMARY 查看模型的摘要输出：

   => SELECT RF_REGRESSOR ('myRFRegressorModel', 'mtcars', 'carb', 'mpg, cyl, hp, drat, wt' USING PARAMETERS
   ntree=100, sampling_size=0.3);
   RF_REGRESSOR
   --------------
   Finished
   (1 row)
   
   
   => SELECT GET_MODEL_SUMMARY(USING PARAMETERS model_name='myRFRegressorModel');
   --------------------------------------------------------------------------------
   ===========
   call_string
   ===========
   SELECT rf_regressor('public.myRFRegressorModel', 'mtcars', '"carb"', 'mpg, cyl, hp, drat, wt'
   USING PARAMETERS exclude_columns='', ntree=100, mtry=1, sampling_size=0.3, max_depth=5, max_breadth=32,
   min_leaf_size=5, min_info_gain=0, nbins=32);
   

   
   =======
   details
   =======
   predictor|type
   ---------+-----
   mpg      |float
   cyl      | int
   hp       | int
   drat     |float
   wt       |float
   ===============
   Additional Info
   ===============
   Name              |Value
   ------------------+-----
   tree_count        | 100
   rejected_row_count|  0
   accepted_row_count| 32
   (1 row)
   

2. 使用 PREDICT_RF_REGRESSOR 预测化油器数量：

   => SELECT PREDICT_RF_REGRESSOR (mpg,cyl,hp,drat,wt
   USING PARAMETERS model_name='myRFRegressorModel') FROM mtcars;
   PREDICT_RF_REGRESSOR
   ----------------------
   2.94774203574204
   2.6954087024087
   2.6954087024087
   2.89906346431346
   2.97688489288489
   2.97688489288489
   2.7086587024087
   2.92078965478965
   2.97688489288489
   2.7086587024087
   2.95621822621823
   2.82255155955156
   2.7086587024087
   2.7086587024087
   2.85650394050394
   2.85650394050394
   2.97688489288489
   2.95621822621823
   2.6954087024087
   2.6954087024087
   2.84493251193251
   2.97688489288489
   2.97688489288489
   2.8856467976468
   2.6954087024087
   2.92078965478965
   2.97688489288489
   2.97688489288489
   2.7934087024087
   2.7934087024087
   2.7086587024087
   2.72469441669442
   (32 rows)