{"id":1223,"date":"2023-07-27T05:41:59","date_gmt":"2023-07-27T05:41:59","guid":{"rendered":"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/"},"modified":"2023-07-27T05:41:59","modified_gmt":"2023-07-27T05:41:59","slug":"losowe-cwiczenie-w-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/","title":{"rendered":"Jak tworzy\u0107 losowe lasy w r (krok po kroku)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Kiedy zwi\u0105zek mi\u0119dzy zbiorem zmiennych predykcyjnych a <a href=\"https:\/\/statorials.org\/pl\/zmienne-odpowiedzi-wyjasniajace\/\" target=\"_blank\" rel=\"noopener noreferrer\">zmienn\u0105 odpowiedzi<\/a> jest bardzo z\u0142o\u017cony, cz\u0119sto u\u017cywamy metod nieliniowych do modelowania zwi\u0105zku mi\u0119dzy nimi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jedn\u0105 z takich metod jest zbudowanie <a href=\"https:\/\/statorials.org\/pl\/drzewa-klasyfikacji-i-regresji\/\" target=\"_blank\" rel=\"noopener noreferrer\">drzewa decyzyjnego<\/a> . Jednak\u017ce wad\u0105 stosowania pojedynczego drzewa decyzyjnego jest to, \u017ce charakteryzuje si\u0119 ono <a href=\"https:\/\/statorials.org\/pl\/kompromis-wariancji-uprzedzen\/\" target=\"_blank\" rel=\"noopener noreferrer\">du\u017c\u0105 wariancj\u0105<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Oznacza to, \u017ce je\u015bli podzielimy zbi\u00f3r danych na dwie po\u0142owy i zastosujemy drzewo decyzyjne do obu po\u0142\u00f3wek, wyniki mog\u0105 by\u0107 bardzo r\u00f3\u017cne.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jedn\u0105 z metod, kt\u00f3rych mo\u017cemy u\u017cy\u0107 do zmniejszenia wariancji pojedynczego drzewa decyzyjnego, jest zbudowanie <a href=\"https:\/\/statorials.org\/pl\/losowe-cwiczenia\/\" target=\"_blank\" rel=\"noopener noreferrer\">losowego modelu lasu<\/a> , kt\u00f3ry dzia\u0142a w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1.<\/strong> Pobierz pr\u00f3bki <em>bootstrapowe<\/em> z oryginalnego zbioru danych.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2.<\/strong> Utw\u00f3rz drzewo decyzyjne dla ka\u017cdej pr\u00f3bki bootstrap.<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Podczas konstruowania drzewa za ka\u017cdym razem, gdy rozwa\u017cany jest podzia\u0142, tylko losowa pr\u00f3bka <em>m<\/em> predyktor\u00f3w jest uwa\u017cana za kandydat\u00f3w do podzia\u0142u z pe\u0142nego zestawu <em>p<\/em> predyktor\u00f3w. Generalnie wybieramy <em>m<\/em> r\u00f3wne <span style=\"text-decoration: overline;\"><em>\u221ap<\/em><\/span> .<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>3.<\/strong> U\u015brednij przewidywania z ka\u017cdego drzewa, aby otrzyma\u0107 ostateczny model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Okazuje si\u0119, \u017ce losowe lasy zwykle tworz\u0105 znacznie dok\u0142adniejsze modele ni\u017c pojedyncze drzewa decyzyjne, a nawet <a href=\"https:\/\/statorials.org\/pl\/pakowanie-w-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">modele workowe<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">W tym samouczku przedstawiono krok po kroku przyk\u0142ad tworzenia losowego modelu lasu dla zbioru danych w j\u0119zyku R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Krok 1: Za\u0142aduj niezb\u0119dne pakiety<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Najpierw za\u0142adujemy pakiety niezb\u0119dne dla tego przyk\u0142adu. W tym prostym przyk\u0142adzie potrzebujemy tylko jednego pakietu:<\/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>Krok 2: Dostosuj model losowego lasu<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">W tym przyk\u0142adzie u\u017cyjemy wbudowanego zbioru danych R o nazwie <strong>Air Quality<\/strong> , kt\u00f3ry zawiera pomiary jako\u015bci powietrza w Nowym Jorku w ci\u0105gu 153 poszczeg\u00f3lnych dni.<\/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;\">Ten zbi\u00f3r danych zawiera 42 wiersze z brakuj\u0105cymi warto\u015bciami. Dlatego przed dopasowaniem losowego modelu lasu uzupe\u0142nimy brakuj\u0105ce warto\u015bci w ka\u017cdej kolumnie medianami kolumn:<\/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>Powi\u0105zane:<\/strong><\/span> <a href=\"https:\/\/statorials.org\/pl\/przypisz-brakujace-wartosci-w-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">Jak przypisa\u0107 brakuj\u0105ce warto\u015bci w R<\/a><\/p>\n<p> <span style=\"color: #000000;\">Poni\u017cszy kod pokazuje, jak dopasowa\u0107 losowy model lasu w R przy u\u017cyciu funkcji <strong>randomForest()<\/strong> z pakietu <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;\">Z wyniku wida\u0107, \u017ce model, kt\u00f3ry wygenerowa\u0142 najni\u017cszy testowy b\u0142\u0105d \u015bredniokwadratowy (MSE), wykorzystywa\u0142 <strong>82<\/strong> drzewa.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Widzimy r\u00f3wnie\u017c, \u017ce \u015bredni b\u0142\u0105d kwadratowy tego modelu wyni\u00f3s\u0142 <strong>17,64392<\/strong> .<\/span> <span style=\"color: #000000;\">Mo\u017cemy to traktowa\u0107 jako \u015bredni\u0105 r\u00f3\u017cnic\u0119 mi\u0119dzy przewidywan\u0105 warto\u015bci\u0105 ozonu a rzeczywist\u0105 obserwowan\u0105 warto\u015bci\u0105.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><span style=\"color: #000000;\">Mo\u017cemy r\u00f3wnie\u017c u\u017cy\u0107 poni\u017cszego kodu, aby utworzy\u0107 wykres testu MSE w oparciu o liczb\u0119 u\u017cytych drzew:<\/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=\"Przetestuj MSE wed\u0142ug liczby drzew w losowym lesie w R\" width=\"449\" height=\"439\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Mo\u017cemy tak\u017ce u\u017cy\u0107 funkcji <strong>varImpPlot()<\/strong> , aby utworzy\u0107 wykres przedstawiaj\u0105cy wa\u017cno\u015b\u0107 ka\u017cdej zmiennej predykcyjnej w ostatecznym modelu:<\/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=\"Losowy las w R\" width=\"424\" height=\"442\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">O\u015b x przedstawia \u015bredni wzrost czysto\u015bci w\u0119z\u0142\u00f3w drzew regresji jako funkcj\u0119 podzia\u0142u na r\u00f3\u017cne predyktory wy\u015bwietlane na osi y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Z wykresu widzimy, \u017ce najwa\u017cniejsz\u0105 zmienn\u0105 predykcyjn\u0105 jest <em>Wiatr<\/em> , a tu\u017c za nim znajduje si\u0119 <em>Temp<\/em> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Krok 3: Dopasuj model<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Domy\u015blnie funkcja <strong>randomForest()<\/strong> wykorzystuje 500 drzew i (\u0142\u0105cznie predyktor\u00f3w\/3) losowo wybranych predyktor\u00f3w jako potencjalnych kandydat\u00f3w do ka\u017cdego podzia\u0142u. Mo\u017cemy dostosowa\u0107 te parametry za pomoc\u0105 funkcji <strong>tuneRF()<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Poni\u017cszy kod pokazuje, jak znale\u017a\u0107 optymalny model przy u\u017cyciu nast\u0119puj\u0105cych specyfikacji:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>ntreeTry:<\/strong> Liczba drzew do zbudowania.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>mtryStart:<\/strong> pocz\u0105tkowa liczba zmiennych predykcyjnych, kt\u00f3re nale\u017cy uwzgl\u0119dni\u0107 przy ka\u017cdym podziale.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>stepFactor:<\/strong> Wsp\u00f3\u0142czynnik zwi\u0119kszany do momentu, a\u017c szacowany b\u0142\u0105d out-of-bag przestanie si\u0119 poprawia\u0107 o okre\u015blon\u0105 warto\u015b\u0107.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>poprawi\u0107:<\/strong> wielko\u015b\u0107, o jak\u0105 nale\u017cy poprawi\u0107 b\u0142\u0105d wyj\u015bcia worka, aby w dalszym ci\u0105gu zwi\u0119ksza\u0107 wsp\u00f3\u0142czynnik kroku.<\/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;\">Ta funkcja generuje nast\u0119puj\u0105cy wykres, kt\u00f3ry przedstawia liczb\u0119 predyktor\u00f3w u\u017cytych przy ka\u017cdym podziale podczas konstruowania drzew na osi x i szacowany b\u0142\u0105d out-of-bag na osi y:<\/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=\"B\u0142\u0105d OOB losowego modelu lasu w R\" width=\"433\" height=\"378\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">Widzimy, \u017ce najni\u017cszy b\u0142\u0105d OOB uzyskuje si\u0119, stosuj\u0105c <strong>2<\/strong> losowo wybrane predyktory przy ka\u017cdym podziale podczas budowania drzew.<\/span><\/p>\n<p> <span style=\"color: #000000;\">W rzeczywisto\u015bci odpowiada to ustawieniu domy\u015blnemu (liczba predyktor\u00f3w\/3 = 6\/3 = 2) u\u017cywanemu przez pocz\u0105tkow\u0105 funkcj\u0119 <strong>randomForest()<\/strong> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Krok 4: U\u017cyj ostatecznego modelu do przewidywania<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Wreszcie mo\u017cemy u\u017cy\u0107 skorygowanego modelu lasu losowego do przewidywania nowych obserwacji.<\/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;\">Na podstawie warto\u015bci zmiennych predykcyjnych dopasowany losowy model lasu przewiduje, \u017ce w tym konkretnym dniu warto\u015b\u0107 ozonu wyniesie <b>27,19442<\/b> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pe\u0142ny kod R u\u017cyty w tym przyk\u0142adzie mo\u017cna znale\u017a\u0107 <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/random_forest.R\" target=\"_blank\" rel=\"noopener noreferrer\">tutaj<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Kiedy zwi\u0105zek mi\u0119dzy zbiorem zmiennych predykcyjnych a zmienn\u0105 odpowiedzi jest bardzo z\u0142o\u017cony, cz\u0119sto u\u017cywamy metod nieliniowych do modelowania zwi\u0105zku mi\u0119dzy nimi. Jedn\u0105 z takich metod jest zbudowanie drzewa decyzyjnego . Jednak\u017ce wad\u0105 stosowania pojedynczego drzewa decyzyjnego jest to, \u017ce charakteryzuje si\u0119 ono du\u017c\u0105 wariancj\u0105 . Oznacza to, \u017ce je\u015bli podzielimy zbi\u00f3r danych na dwie po\u0142owy [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1223","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Jak tworzy\u0107 losowe lasy w R (krok po kroku)<\/title>\n<meta name=\"description\" content=\"W tym samouczku wyja\u015bniono, jak tworzy\u0107 losowe modele las\u00f3w w j\u0119zyku R, na przyk\u0142adzie krok po kroku.\" \/>\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\/pl\/losowe-cwiczenie-w-r\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Jak tworzy\u0107 losowe lasy w R (krok po kroku)\" \/>\n<meta property=\"og:description\" content=\"W tym samouczku wyja\u015bniono, jak tworzy\u0107 losowe modele las\u00f3w w j\u0119zyku R, na przyk\u0142adzie krok po kroku.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-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=\"Benjamin Anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Napisane przez\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin Anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Szacowany czas czytania\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 minut\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/\",\"url\":\"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/\",\"name\":\"Jak tworzy\u0107 losowe lasy w R (krok po kroku)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/pl\/#website\"},\"datePublished\":\"2023-07-27T05:41:59+00:00\",\"dateModified\":\"2023-07-27T05:41:59+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965\"},\"description\":\"W tym samouczku wyja\u015bniono, jak tworzy\u0107 losowe modele las\u00f3w w j\u0119zyku R, na przyk\u0142adzie krok po kroku.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/#breadcrumb\"},\"inLanguage\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Dom\",\"item\":\"https:\/\/statorials.org\/pl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Jak tworzy\u0107 losowe lasy w r (krok po kroku)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/pl\/#website\",\"url\":\"https:\/\/statorials.org\/pl\/\",\"name\":\"Statorials\",\"description\":\"Tw\u00f3j przewodnik po kompetencjach statystycznych!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/pl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"pl-PL\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965\",\"name\":\"Benjamin Anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin Anderson\"},\"description\":\"Cze\u015b\u0107, jestem Benjamin i jestem emerytowanym profesorem statystyki, kt\u00f3ry zosta\u0142 oddanym nauczycielem Statorials. Dzi\u0119ki bogatemu do\u015bwiadczeniu i wiedzy specjalistycznej w dziedzinie statystyki ch\u0119tnie dziel\u0119 si\u0119 swoj\u0105 wiedz\u0105, aby wzmocni\u0107 pozycj\u0119 uczni\u00f3w za po\u015brednictwem Statorials. Wiedzie\u0107 wi\u0119cej\",\"sameAs\":[\"https:\/\/statorials.org\/pl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Jak tworzy\u0107 losowe lasy w R (krok po kroku)","description":"W tym samouczku wyja\u015bniono, jak tworzy\u0107 losowe modele las\u00f3w w j\u0119zyku R, na przyk\u0142adzie krok po kroku.","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\/pl\/losowe-cwiczenie-w-r\/","og_locale":"pl_PL","og_type":"article","og_title":"Jak tworzy\u0107 losowe lasy w R (krok po kroku)","og_description":"W tym samouczku wyja\u015bniono, jak tworzy\u0107 losowe modele las\u00f3w w j\u0119zyku R, na przyk\u0142adzie krok po kroku.","og_url":"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-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":"Benjamin Anderson","twitter_card":"summary_large_image","twitter_misc":{"Napisane przez":"Benjamin Anderson","Szacowany czas czytania":"5 minut"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/","url":"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/","name":"Jak tworzy\u0107 losowe lasy w R (krok po kroku)","isPartOf":{"@id":"https:\/\/statorials.org\/pl\/#website"},"datePublished":"2023-07-27T05:41:59+00:00","dateModified":"2023-07-27T05:41:59+00:00","author":{"@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965"},"description":"W tym samouczku wyja\u015bniono, jak tworzy\u0107 losowe modele las\u00f3w w j\u0119zyku R, na przyk\u0142adzie krok po kroku.","breadcrumb":{"@id":"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/pl\/losowe-cwiczenie-w-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Dom","item":"https:\/\/statorials.org\/pl\/"},{"@type":"ListItem","position":2,"name":"Jak tworzy\u0107 losowe lasy w r (krok po kroku)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/pl\/#website","url":"https:\/\/statorials.org\/pl\/","name":"Statorials","description":"Tw\u00f3j przewodnik po kompetencjach statystycznych!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/pl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"pl-PL"},{"@type":"Person","@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965","name":"Benjamin Anderson","image":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/image\/","url":"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","contentUrl":"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","caption":"Benjamin Anderson"},"description":"Cze\u015b\u0107, jestem Benjamin i jestem emerytowanym profesorem statystyki, kt\u00f3ry zosta\u0142 oddanym nauczycielem Statorials. Dzi\u0119ki bogatemu do\u015bwiadczeniu i wiedzy specjalistycznej w dziedzinie statystyki ch\u0119tnie dziel\u0119 si\u0119 swoj\u0105 wiedz\u0105, aby wzmocni\u0107 pozycj\u0119 uczni\u00f3w za po\u015brednictwem Statorials. Wiedzie\u0107 wi\u0119cej","sameAs":["https:\/\/statorials.org\/pl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts\/1223","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/comments?post=1223"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts\/1223\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/media?parent=1223"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/categories?post=1223"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/tags?post=1223"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}