问题标签 [random-forest]

我正在使用 Weka，并希望使用随机森林进行回归。具体来说，我有一个数据集：

我不想学习预测最可能的类别，而是想学习给定特征向量的类别上的概率分布。我的直觉是，在 Weka 中仅使用 RandomForest 模型是不合适的，因为它会尝试最小化其绝对误差（最大似然）而不是平方误差（条件概率分布）。这种直觉对吗？如果我想执行回归而不是分类，是否有更好的模型可以使用？

编辑：我现在实际上在想，实际上这可能不是问题。据推测，分类器正在学习条件概率 P(Class | Feature1,...,FeatureN)，而得到的分类只是在 Class 中找到使概率分布最大化的 c。因此，一个 RandomForest 分类器应该能够给我条件概率分布。我只需要再考虑一下。如果那是错误的，请纠正我。

我目前正在尝试使用递归特征消除 (RFE) 为非常高维数据集 (p > 200k) 优化随机森林分类器。caret包有一个很好的实现（rfe() -function）。但是，我也在考虑优化 RAM 和 CPU 使用率。这就是为什么我想知道是否有机会设置不同（更大）数量的树来训练第一个森林（没有特征消除）并利用它的重要性来构建其余的（使用 RFE）使用例如 500 棵树进行 10 倍或 5 倍交叉验证。我知道这个选项在varSelRF中可用。但是caret怎么样？我没有设法在手册中找到任何关于此的内容。

我正在运行这条线：

它给出了错误：

randomForest(x = BFrame(, "Prediction"), y = BFrame[, which(colnames(BFrame) != : 找不到函数 "BFrame") 中的错误

BFrame是一个data.frame

我非常困惑，因为我之前有效地使用过类似的代码。然而，这一次，BFrame 很大——18 个变量的 130000 个观察值。这个错误是我内存不足的结果吗？来源是否在其他地方？

谢谢

我第一次与随机森林打交道，遇到了一些我无法弄清楚的问题。当我对所有数据集（大约 3000 行）运行分析时，我没有收到任何错误消息。但是当我对我的数据集的一个子集（大约 300 行）执行相同的分析时，我得到一个错误：

但是，我的响应变量没有任何空类。

相反，如果我这样写 randomForest(a+b+c,y)而不是(y ~ a+b+c)收到其他消息：

第二个问题是，当我尝试通过我估算我的数据时，rfImpute()我得到一个错误：

但是，我的列都是因子和数字。

有人能看出我哪里错了吗？？？

我正在尝试使用 R 中的包 randomForest 制作部分图。执行随机森林对象后，我键入

data.rforest我的随机森林对象在哪里，act2是原始数据集，centroid是预测变量C之一，也是我的响应变量中的类之一。无论我尝试什么预测变量或响应类，我总是得到一条直线。同样，如果我将分类变量设置为预测变量，我会得到一个条形图，其中所有条形都具有相同的高度。我想我在这里做错了，因为对同一 rforest 对象的所有其他分析似乎都是正确的（例如varImp或MDSplot）。是否可能与随机森林对象中设置的某些选项有关？

我在 X_sample 中有许多样本矩阵 (mxn)。每个矩阵具有相同的行数（相同的 m），但具有不同的特征数（差异 n）。X-sample 中的矩阵示例为：1000x40、1000x35、1000x30、1000x25。关于我的问题，我有以下（非常简化的）代码示例：

我使用参数在循环外创建了一个分类器max_features="auto"。我使用具有不同数量特征的样本矩阵在循环内执行不同的分类。我的问题是，max_features每次循环执行拟合操作时，分类器是否会根据 X_train 的实际大小（实际特征数）调整值。值为“auto”的参数 max_features应该得到等于特征数量平方根的实际值。也就是说，我应该在循环外还是在循环内创建分类器？有没有办法读取参数的实际值max_features？

我一直在用 R 中的 700 万行数据（41 个特征）训练 randomForest 模型。这是一个示例调用：

myModel <- randomForest(响应~., data=mydata, ntree=50, maxnodes=30)

我确实认为只有 50 棵树和 30 个终端节点，“myModel”的内存占用会很小。但它在转储文件中是 65 兆。该对象似乎持有来自训练过程的各种预测、实际和投票数据。

如果我只想要森林怎么办？我想要一个很小的转储文件，稍后我可以加载它以快速做出预测。我觉得森林本身不应该那么大......

任何人都知道如何将这个傻瓜分解成我可以预测未来的东西吗？

我一直在使用 randomForest.getTree 为我的森林中的每棵树提供文本表示，但最近切换到 caret 包来训练森林（方法='rf'）。我怎样才能获得 randomForest.getTree 理解的对象（因为据称插入符号使用相同的底层代码）或以其他类似方式打印出树？

可能重复：
加快随机森林的建议

我想在我的数据 129600 X 900 上构建随机森林。此外，我希望有不少于 1000 棵树进行回归。我对我的数据执行了以下代码，其中 all_reg 是 129600 X 900 数据矩阵，train_resp_reg 是 129600 标签矩阵

代码已经在一个处理器上运行了3天多了，它还在运行，所以我想知道是否有任何解决方案可以更快地运行它，我可以访问一个64核的服务器，那么如何制作这个代码尽可能快地跑？

任何建议表示赞赏

我正在使用 scikit 的学习运行一个随机森林分类器，并希望计算一个精度指标（有多少预测与目标值匹配）作为结果的一部分。是否有内置选项可以做到这一点？如果不是，那么实现它的最简单方法是什么？谢谢！