{"id":1225,"date":"2023-07-27T05:41:59","date_gmt":"2023-07-27T05:41:59","guid":{"rendered":"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/"},"modified":"2023-07-27T05:41:59","modified_gmt":"2023-07-27T05:41:59","slug":"willekeurige-oefening-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/","title":{"rendered":"Willekeurige bossen maken in r (stap voor stap)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Wanneer de relatie tussen een reeks voorspellende variabelen en een <a href=\"https:\/\/statorials.org\/nl\/variabelen-verklarende-reacties\/\" target=\"_blank\" rel=\"noopener noreferrer\">responsvariabele<\/a> erg complex is, gebruiken we vaak niet-lineaire methoden om de relatie daartussen te modelleren.<\/span><\/p>\n<p> <span style=\"color: #000000;\">E\u00e9n zo&#8217;n methode is het bouwen van een <a href=\"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen\/\" target=\"_blank\" rel=\"noopener noreferrer\">beslisboom<\/a> . Het nadeel van het gebruik van \u00e9\u00e9n enkele beslissingsboom is echter dat deze vaak te kampen heeft met <a href=\"https:\/\/statorials.org\/nl\/bias-variantie-compromis\/\" target=\"_blank\" rel=\"noopener noreferrer\">een hoge variantie<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dat wil zeggen: als we de dataset in twee helften splitsen en de beslissingsboom op beide helften toepassen, kunnen de resultaten heel verschillend zijn.<\/span><\/p>\n<p> <span style=\"color: #000000;\">E\u00e9n methode die we kunnen gebruiken om de variantie van een enkele beslissingsboom te verkleinen, is door een <a href=\"https:\/\/statorials.org\/nl\/willekeurige-oefeningen\/\" target=\"_blank\" rel=\"noopener noreferrer\">willekeurig bosmodel<\/a> te bouwen, dat als volgt werkt:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1.<\/strong> Neem <em>b-<\/em> bootstrapped samples uit de originele dataset.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2.<\/strong> Maak een beslissingsboom voor elk bootstrap-voorbeeld.<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Bij het construeren van de boom wordt elke keer dat een splitsing wordt overwogen, slechts een willekeurige steekproef van <em>m-<\/em> voorspellers beschouwd als kandidaten voor splitsing uit de volledige set van <em>p-<\/em> voorspellers. Over het algemeen kiezen we <em>m<\/em> gelijk aan <span style=\"text-decoration: overline;\"><em>\u221ap<\/em><\/span> .<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>3.<\/strong> Gemiddelde van de voorspellingen van elke boom om een definitief model te verkrijgen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Het blijkt dat willekeurige bossen de neiging hebben om veel nauwkeurigere modellen te produceren dan afzonderlijke beslissingsbomen en zelfs <a href=\"https:\/\/statorials.org\/nl\/inpakken-in-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">modellen in zakken<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Deze zelfstudie biedt een stapsgewijs voorbeeld van hoe u een willekeurig forest-model maakt voor een gegevensset in R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Stap 1: Laad de benodigde pakketten<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Eerst laden we de benodigde pakketten voor dit voorbeeld. Voor dit eenvoudige voorbeeld hebben we slechts \u00e9\u00e9n pakket nodig:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #993300;\">library<\/span> (randomForest)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Stap 2: Pas het willekeurige bosmodel aan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Voor dit voorbeeld gebruiken we een ingebouwde R-dataset genaamd <strong>Air Quality<\/strong> , die metingen bevat van de luchtkwaliteit in New York City gedurende 153 afzonderlijke dagen.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view structure of air quality dataset<\/span>\nstr(airquality)\n\n'data.frame': 153 obs. of 6 variables:\n $ Ozone: int 41 36 12 18 NA 28 23 19 8 NA ...\n $Solar.R: int 190 118 149 313 NA NA 299 99 19 194 ...\n $ Wind: num 7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...\n $ Temp: int 67 72 74 62 56 66 65 59 61 69 ...\n $Month: int 5 5 5 5 5 5 5 5 5 5 ...\n $Day: int 1 2 3 4 5 6 7 8 9 10 ...\n\n<span style=\"color: #008080;\">#find number of rows with missing values\n<\/span>sum(! <span style=\"color: #3366ff;\">complete<\/span> . <span style=\"color: #3366ff;\">cases<\/span> (airquality))\n\n[1] 42\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Deze gegevensset bevat 42 rijen met ontbrekende waarden. Voordat we een willekeurig bosmodel fitten, zullen we daarom de ontbrekende waarden in elke kolom invullen met de kolommedianen:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#replace NAs with column medians\n<\/span><span style=\"color: #008000;\">for<\/span> (i <span style=\"color: #008000;\">in<\/span> 1: <span style=\"color: #3366ff;\">ncol<\/span> (air quality)) {\n  airquality[,i][ <span style=\"color: #3366ff;\">is<\/span> . <span style=\"color: #3366ff;\">na<\/span> (airquality[, i])] &lt;- <span style=\"color: #3366ff;\">median<\/span> (airquality[, i], <span style=\"color: #3366ff;\">na<\/span> . <span style=\"color: #3366ff;\">rm<\/span> = <span style=\"color: #008000;\">TRUE<\/span> )\n}\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\"><strong>Gerelateerd:<\/strong><\/span> <a href=\"https:\/\/statorials.org\/nl\/impliceer-ontbrekende-waarden-in-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">Hoe ontbrekende waarden toe te schrijven aan R<\/a><\/p>\n<p> <span style=\"color: #000000;\">De volgende code laat zien hoe u een willekeurig forest-model in R kunt passen met behulp van de functie <strong>randomForest()<\/strong> uit het pakket <a href=\"https:\/\/cran.r-project.org\/web\/packages\/randomForest\/randomForest.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">randomForest<\/a> .<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#make this example reproducible\n<\/span>set.seed(1)\n\n<span style=\"color: #008080;\">#fit the random forest model\n<\/span>model &lt;- randomForest(\n  formula = Ozone ~ .,\n  data = airquality\n)\n\n<span style=\"color: #008080;\">#display fitted model\n<\/span>model\n\nCall:\n randomForest(formula = Ozone ~ ., data = airquality) \n               Type of random forest: regression\n                     Number of trees: 500\nNo. of variables tried at each split: 1\n\n          Mean of squared residuals: 327.0914\n                    % Var explained: 61\n\n<span style=\"color: #008080;\">#find number of trees that produce lowest test MSE\n<\/span>which.min(model$mse)\n\n[1] 82\n\n<span style=\"color: #008080;\">#find RMSE of best model\n<\/span>sqrt(model$mse[ <span style=\"color: #3366ff;\">which<\/span> . <span style=\"color: #3366ff;\">min<\/span> (model$mse)]) \n\n[1] 17.64392\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Uit het resultaat kunnen we zien dat het model dat de laagste gemiddelde kwadratische fout (MSE) produceerde, <strong>82<\/strong> bomen gebruikte.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We kunnen ook zien dat de root mean square error van dit model <strong>17,64392<\/strong> was.<\/span> <span style=\"color: #000000;\">We kunnen dit beschouwen als het gemiddelde verschil tussen de voorspelde waarde voor ozon en de daadwerkelijk waargenomen waarde.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><span style=\"color: #000000;\">We kunnen ook de volgende code gebruiken om een plot van de MSE-test te maken op basis van het aantal gebruikte bomen:<\/span><\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#plot the MSE test by number of trees\n<\/span>plot(model)\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12143 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.png\" alt=\"Test MSE op basis van het aantal bomen in een willekeurig bos in R\" width=\"449\" height=\"439\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">En we kunnen de functie <strong>varImpPlot()<\/strong> gebruiken om een plot te maken die het belang van elke voorspellende variabele in het uiteindelijke model weergeeft:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#produce variable importance plot<\/span>\nvarImpPlot(model) \n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12144 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr2.png\" alt=\"Willekeurig bos in R\" width=\"424\" height=\"442\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Op de x-as wordt de gemiddelde toename in knooppuntzuiverheid van de regressiebomen weergegeven als functie van de splitsing over de verschillende voorspellers die op de y-as worden weergegeven.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Uit de grafiek kunnen we zien dat <em>Wind<\/em> de belangrijkste voorspellende variabele is, op de voet gevolgd door <em>Temp<\/em> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Stap 3: Pas het model aan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Standaard gebruikt de functie <strong>randomForest()<\/strong> 500 bomen en (totaal voorspellers\/3) willekeurig geselecteerde voorspellers als potenti\u00eble kandidaten voor elke splitsing. We kunnen deze parameters aanpassen met behulp van de <strong>tuneRF()<\/strong> functie.<\/span><\/p>\n<p> <span style=\"color: #000000;\">De volgende code laat zien hoe u het optimale model kunt vinden met behulp van de volgende specificaties:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>ntreeTry:<\/strong> Het aantal bomen dat moet worden gebouwd.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>mtryStart:<\/strong> het aanvankelijke aantal voorspellende variabelen waarmee bij elke divisie rekening moet worden gehouden.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>stepFactor:<\/strong> Factor die moet worden verhoogd totdat de geschatte out-of-bag-fout niet meer met een bepaald bedrag verbetert.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>verbeteren:<\/strong> de hoeveelheid waarmee de fout bij het verlaten van de zak moet worden verbeterd om de stapfactor te blijven verhogen.<\/span><\/li>\n<\/ul>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>model_tuned &lt;- tuneRF(\n               x=airquality[,-1], <span style=\"color: #008080;\">#define predictor variables<\/span>\n               y=airquality$Ozone, <span style=\"color: #008080;\">#define response variable<\/span>\n               ntreeTry= <span style=\"color: #008000;\">500<\/span> ,\n               mtryStart= <span style=\"color: #008000;\">4<\/span> , \n               stepFactor= <span style=\"color: #008000;\">1.5<\/span> ,\n               improve= <span style=\"color: #008000;\">0.01<\/span> ,\n               trace= <span style=\"color: #008000;\">FALSE<\/span> <span style=\"color: #008080;\">#don't show real-time progress<\/span>\n               )\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Deze functie produceert de volgende grafiek, die het aantal voorspellers weergeeft dat bij elke splitsing wordt gebruikt bij het construeren van de bomen op de x-as en de geschatte out-of-bag-fout op de y-as:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12145 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr3.png\" alt=\"OOB-fout van willekeurig bosmodel in R\" width=\"433\" height=\"378\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">We kunnen zien dat de laagste OOB-fout wordt verkregen door bij elke splitsing <strong>twee<\/strong> willekeurig gekozen voorspellers te gebruiken bij het bouwen van de bomen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dit komt feitelijk overeen met de standaardinstelling (totale voorspellers\/3 = 6\/3 = 2) die wordt gebruikt door de initi\u00eble functie <strong>randomForest()<\/strong> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Stap 4: Gebruik het definitieve model om voorspellingen te doen<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Ten slotte kunnen we het aangepaste willekeurige bosmodel gebruiken om voorspellingen te doen over nieuwe waarnemingen.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define new observation\n<\/span>new &lt;- data.frame(Solar.R=150, Wind=8, Temp=70, Month=5, Day=5)\n\n<span style=\"color: #008080;\">#use fitted bagged model to predict Ozone value of new observation\n<\/span>predict(model, newdata=new)\n\n27.19442\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Op basis van de waarden van de voorspellende variabelen voorspelt het gepaste willekeurige bosmodel dat de ozonwaarde op deze specifieke dag <b>27,19442<\/b> zal zijn.<\/span><\/p>\n<p> <span style=\"color: #000000;\">De volledige R-code die in dit voorbeeld wordt gebruikt, vindt u <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/random_forest.R\" target=\"_blank\" rel=\"noopener noreferrer\">hier<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Wanneer de relatie tussen een reeks voorspellende variabelen en een responsvariabele erg complex is, gebruiken we vaak niet-lineaire methoden om de relatie daartussen te modelleren. E\u00e9n zo&#8217;n methode is het bouwen van een beslisboom . Het nadeel van het gebruik van \u00e9\u00e9n enkele beslissingsboom is echter dat deze vaak te kampen heeft met een hoge [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1225","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Willekeurige bossen maken in R (stap voor stap)<\/title>\n<meta name=\"description\" content=\"In deze zelfstudie wordt uitgelegd hoe u willekeurige forest-modellen in R kunt maken, met een stapsgewijs voorbeeld.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Willekeurige bossen maken in R (stap voor stap)\" \/>\n<meta property=\"og:description\" content=\"In deze zelfstudie wordt uitgelegd hoe u willekeurige forest-modellen in R kunt maken, met een stapsgewijs voorbeeld.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T05:41:59+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.png\" \/>\n<meta name=\"author\" content=\"Dr.benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr.benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"5\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/\",\"url\":\"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/\",\"name\":\"Willekeurige bossen maken in R (stap voor stap)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/nl\/#website\"},\"datePublished\":\"2023-07-27T05:41:59+00:00\",\"dateModified\":\"2023-07-27T05:41:59+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\"},\"description\":\"In deze zelfstudie wordt uitgelegd hoe u willekeurige forest-modellen in R kunt maken, met een stapsgewijs voorbeeld.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Thuis\",\"item\":\"https:\/\/statorials.org\/nl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Willekeurige bossen maken in r (stap voor stap)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/nl\/#website\",\"url\":\"https:\/\/statorials.org\/nl\/\",\"name\":\"Statorials\",\"description\":\"Uw gids voor statistische competentie\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/nl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\",\"name\":\"Dr.benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr.benjamin anderson\"},\"description\":\"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder\",\"sameAs\":[\"http:\/\/statorials.org\/nl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Willekeurige bossen maken in R (stap voor stap)","description":"In deze zelfstudie wordt uitgelegd hoe u willekeurige forest-modellen in R kunt maken, met een stapsgewijs voorbeeld.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/","og_locale":"de_DE","og_type":"article","og_title":"Willekeurige bossen maken in R (stap voor stap)","og_description":"In deze zelfstudie wordt uitgelegd hoe u willekeurige forest-modellen in R kunt maken, met een stapsgewijs voorbeeld.","og_url":"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T05:41:59+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.png"}],"author":"Dr.benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr.benjamin anderson","Gesch\u00e4tzte Lesezeit":"5\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/","url":"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/","name":"Willekeurige bossen maken in R (stap voor stap)","isPartOf":{"@id":"https:\/\/statorials.org\/nl\/#website"},"datePublished":"2023-07-27T05:41:59+00:00","dateModified":"2023-07-27T05:41:59+00:00","author":{"@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219"},"description":"In deze zelfstudie wordt uitgelegd hoe u willekeurige forest-modellen in R kunt maken, met een stapsgewijs voorbeeld.","breadcrumb":{"@id":"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/nl\/willekeurige-oefening-in-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Thuis","item":"https:\/\/statorials.org\/nl\/"},{"@type":"ListItem","position":2,"name":"Willekeurige bossen maken in r (stap voor stap)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/nl\/#website","url":"https:\/\/statorials.org\/nl\/","name":"Statorials","description":"Uw gids voor statistische competentie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/nl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219","name":"Dr.benjamin anderson","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Dr.benjamin anderson"},"description":"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder","sameAs":["http:\/\/statorials.org\/nl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1225","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/comments?post=1225"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1225\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/media?parent=1225"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/categories?post=1225"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/tags?post=1225"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}