假设我有一个测量温度、压力 ++ 的传感器，并希望使用这些数据来预测某个数量“A”。如果我使用多元回归，我可以简单地实现 A=a0+a1x1+a2x2+... 形式的模型，并且每当我有新的测量值时，我都可以使用该模型进行预测。
另一方面，如果我使用随机森林制作预测模型，我不确定如何使用它。我使用 caret 包将我的数据拆分为训练集和测试集，并使用随机森林和交叉验证进行自动特征选择。我对测试集有很好的预测，但不知道如何实现这些树以用于数字信号处理器。在 RI 中只需使用 predict() 函数，但这显然在 R 之外不可用。
这可能是一个愚蠢的任务，但这是我能做的最好的。
欢迎任何建议。
您当然必须为此投入一些工作，但是导出模型并不是那么糟糕randomForest；该getTree函数以非常紧凑和漂亮的格式转储单个树，如下所示（记录在 中?getTree）：
> getTree(iris_rf,3)
left daughter right daughter split var split point status prediction
1 2 3 4 0.80 1 0
2 0 0 0 0.00 -1 1
3 4 5 4 1.75 1 0
4 6 7 1 5.00 1 0
5 8 9 4 1.85 1 0
6 10 11 2 2.45 1 0
7 12 13 2 2.25 1 0
8 14 15 1 5.95 1 0
9 0 0 0 0.00 -1 3
10 0 0 0 0.00 -1 2
11 0 0 0 0.00 -1 3
12 16 17 1 6.10 1 0
13 0 0 0 0.00 -1 2
14 0 0 0 0.00 -1 2
15 0 0 0 0.00 -1 3
16 18 19 3 4.50 1 0
17 0 0 0 0.00 -1 2
18 0 0 0 0.00 -1 2
19 0 0 0 0.00 -1 3
并且结合整个集成的预测只是总结投票（用于分类）或计算平均值（用于回归）的问题。我曾经写过一个转换器，它吃掉这些输出并生成 C 代码（有很多gotos），它工作得很好。
我最近开发了一个 Python 包，它从用 Scikit learn 训练的随机森林分类器导出 C 代码： https ://github.com/jonnor/emtrees
它可以用作如何将 R 模型转换为 C 代码的示例，结合 mbq 答案显示的 getTree。