我想得到一个比Weka更快的随机森林分类器，我首先尝试了C++ Shark实现（结果：速度改进很少，正确分类的实例下降），然后测试了Python Scikit-learn。我在许多网站和报纸上读到，与Scikit，WiseRF相比，Weka的表现很差......
在我第一次尝试100棵树的森林之后：
Training time: Weka ~ 170s VS Scikit ~ 31s
Prediction results on the same test set: Weka ~ 90% correctly classified VS Scikit score ~ 45% !!!
=> Scikit RF 运行速度很快，但在第一次尝试时分类非常糟糕。
我调整了Scikit RandomForestClassifier的参数，并设法获得了接近70%的分数，但scikit的速度几乎下降到Weka性能（bootstrap=False，min_samples_leaf=3，min_samples_split=1，criteria='entropy'，max_features=40，max_depth=6）。我确实有很多缺失值，scikit 不会开箱即用地处理它们，所以我尝试了许多不同的策略（Imputer 的所有策略，跳过具有缺失值的实例，替换为 0 或极值）并达到了 75%。
因此，在这个阶段，Scikit RandomForestClassifier的性能为75%（而weka为90%），并在78s内构建模型（使用6个内核与170s，只有1个内核使用Weka）。我对这些结果感到非常惊讶。我测试了ExtraTrees，它在速度方面表现非常好，但仍然达到了平均75%的正确分类。
你知道我错过了什么吗？
我的数据：~100 个特征，~100 000 个实例，缺失值，分类预测（价格预测）。
评论中结束讨论以使 StackOverflow 将此问题标记为已回答：
显然，OP能够通过丢弃具有缺失值的样本并使用GridSearchCV网格搜索最佳超参数值来达到相当的准确性。
在这种情况下，单热编码分类特征显然对结果没有太大影响。
具有相同数据和相同配置（？）的Weka和Scikit-learn随机森林实现也有很大的性能差异。在尝试了所有可能的解决方案后，我注意到它实际上非常简单。Weka默认打乱数据，但Scikit-learn不会。即使设置了Weka的配置选项：按顺序使用数据，它仍然是一样的。所以，这是我的处理方式。使用 random_state=1（这是 Weka 中的默认值），shuffle=True 在 Scikit-learn 中用于交叉验证器，引导程序=True 在分类器中。它产生与Weka非常相似的结果。例如
classifier = ensemble.RandomForestClassifier(n_estimators=300, max_depth=30, min_samples_leaf=1, min_samples_split=1, random_state=1, bootstrap=True, criterion='entropy', n_jobs=-1)
cv = StratifiedKFold(n_splits=num_folds, shuffle=True, random_state=1)
grid_search = GridSearchCV(classifier, param_grid=param_grid, cv=cv)