r - 类非常不平衡的随机森林

我在大数据问题中使用随机森林，该问题具有非常不平衡的响应类，因此我阅读了文档，发现以下参数：

strata

sampsize

这些参数的文档很少（或者我没有运气找到它），我真的不知道如何实现它。我正在使用以下代码：

randomForest(x=predictors,
             y=response,
             data=train.data,
             mtry=lista.params[1],
             ntree=lista.params[2],
             na.action=na.omit,
             nodesize=lista.params[3],
             maxnodes=lista.params[4],
             sampsize=c(250000,2000),
             do.trace=100,
             importance=TRUE)

响应是具有两个可能值的类，第一个比第二个（10000：1或更大）出现的频率更高

list.params是具有不同参数的列表（（！我知道...）

好了，问题（再次）是：如何使用“ strata”参数？我正确使用sampsize吗？

最后，有时会出现以下错误：

Error in randomForest.default(x = predictors, y = response, data = train.data,  :
  Still have fewer than two classes in the in-bag sample after 10 attempts.

抱歉，如果我正在做很多（也许是愚蠢的）问题...

最佳答案

您应该尝试使用将不平衡度从1：10,000降低到1：100或1:10的采样方法。您还应该减小所生成树的大小。 （目前，这些建议是我仅从记忆中重复的建议，但我会发现我是否比海绵皮层能找到更多的权限。）

减少树大小的一种方法是将“ nodesize”设置为更大。在这种程度的不平衡的情况下，您可能需要使节点大小非常大，例如5-10,000。这是rhelp中的一个线程：
https://stat.ethz.ch/pipermail/r-help/2011-September/289288.html

在问题的当前状态下，您有sampsize=c(250000,2000),，而我本以为sampsize = c（8000,2000）之类的内容更符合我的建议。我认为您正在创建的样本中没有2000个样本中的任何一个。