增加了样本数据的大小-R

Question

我的同事之一表明，randomForest()在非常大的数据集中表现不佳。现在，我只是想弄清楚是否真的是这种情况，但是由于无法共享数据集（敏感信息），所以我认为我不妨尝试提出一个大型数据集。我已经尝试关注，但无法理解错误消息：

library(randomForest)
data(iris)
dataFile <- iris
newdataFile <- dataFile[sample(dataFile, size= 1:1000000000, replace=T),]

错误消息：

Error in xj[i] : invalid subscript type 'list'

任何人都可以在这里引导我吗？

Answer 1

sample接受向量。从数据采样时。帧通常通过将行引用为一个数字来采样行，类似于子集，但在这种情况下，使用替换。

。

newdataFile <- iris[sample(nrow(iris),100000,replace=T),]

Answer 2

断言随机森林对大型数据集的表现不佳是荒谬的。从样本量和多元角度来看，它非常适合高维问题。RF和非常大的问题的主要问题是：1）障碍性和2）样本平衡。

如果您遇到一个类成比例更大（> 30％）的问题，则引导程序可能会偏置，并且OOB验证（可能是估算值）是不正确的。结果，说[0 = 10000,1 = 200]的二进制问题的结果将是一个非常高的预测率，至0至1，从而导致了模型的非常好，但非常膨胀，OOB错误率，但是班级1的表现非常差。

这显然不能代表模型性能，对于第1类的预测率很低，如果您有班级平衡问题，我将遵循任何一个Chen等人的方法。Al。，（2004）或Evans＆amp;库什曼（2009）。

Chen C，Liaw A，Breiman L（2004）使用随机森林学习不平衡的数据。http://www.stat.berkeley.edu/tech-reports/666.pdf

Evans，J.S。和S.A. Cushman（2009）使用随机森林对针叶树物种进行梯度建模。景观生态学5：673-683。