如何从randomForestSRC构建的随机森林模型中提取概括性单树并绘制？

我用R的randomForestSRC包构建了包含450棵树的随机森林模型，能通过ggRandomForest包的get.tree函数提取并绘制单棵树。现在需要提取并绘制一棵能概括这450棵树结果的单树，该怎么实现？我尝试的代码如下：

library(ggRandomForests)
library(randomForestSRC)
library(readxl)

x <- read.csv("./class_imbalance.csv")

View(x)

x$beta_lactum_ast <- as.factor(x$beta_lactum_ast)

set.seed(1234)

rf_beta <- rfsrc(beta_lactum_ast ~., data = x, mtry = 4,ntree = 450, nodesize = 10,forest = T, importance=T)

## Extracting and Plotting single tree from RF model

plot(get.tree(rf_beta, 1, class.type = "rfq", ensemble = F)) ## to plot first tree from the model

plot(get.tree(rf_beta, 450, class.type = "rfq")) ## to plot the 450 tree

解决方案 #

随机森林是集成模型，不存在严格意义上能完美概括所有树的"单棵树"，但可以通过两种方式生成具有代表性的树，贴合整体模型的决策逻辑：

方法1：基于RF特征重要性构建决策树 #

利用随机森林输出的特征重要性，筛选核心特征后构建一棵决策树，这棵树会优先使用RF中最具预测力的特征，能反映整体模型的核心决策偏好：

# 加载依赖包
library(rpart)
library(rpart.plot)

# 提取并排序RF的特征重要性
imp_scores <- sort(rf_beta$importance, decreasing = TRUE)

# 筛选前N个核心特征（这里取和RF的mtry一致的4个）
top_features <- names(imp_scores)[1:4]

# 构建决策树公式
tree_formula <- as.formula(paste("beta_lactum_ast ~", paste(top_features, collapse = " + ")))

# 训练决策树（nodesize和RF保持一致）
representative_tree <- rpart(tree_formula, data = x, control = rpart.control(minbucket = 10))

# 可视化决策树
rpart.plot(representative_tree, extra = 101, box.palette = "GnBu", shadow.col = "gray")

方法2：使用randomForestSRC的集成汇总树 #

ggRandomForests的get.tree函数支持ensemble = TRUE参数，会基于所有450棵树的分割点频率生成一棵汇总树——它的分割规则是所有树中最常用的，能体现随机森林整体的普遍决策逻辑：

# 提取集成汇总树
ensemble_summary_tree <- get.tree(rf_beta, class.type = "rfq", ensemble = TRUE)

# 绘制汇总树
plot(ensemble_summary_tree)

注意：这种集成汇总树并非所有树的"平均"，而是基于所有树的分割行为聚合而来，能较好反映模型整体的特征选择和分割倾向。

内容的提问来源于stack exchange，提问作者Abdul Rehman