我正在尝试训练几个随机森林（进行回归）以使其竞争，并查看哪些特征选择和哪些参数可以提供最佳模型。
但是，培训似乎要耗费大量时间，而且我想知道自己是否做错了什么。
我用于训练的数据集（以下称为train）具有217k行和58列（其中只有21列用作随机森林中的预测变量。它们都是numeric或integer，但例外一个布尔值类型（类型为character。y输出为numeric）。
我运行了以下代码四次，将值4，100，500，2000赋予nb_trees：
library("randomForest")
nb_trees <- #this changes with each test, see above
ptm <- proc.time()
fit <- randomForest(y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9
+ x10 + x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19
+ x20 + x21,
data = train,
ntree = nb_trees,
do.trace=TRUE)
proc.time() - ptm
这是他们每个人花了多长时间训练：
nb_trees | time
4 4mn
100 1h 41mn
500 8h 40mn
2000 34h 26mn
由于我公司的服务器具有12个核心和125Go的RAM，我认为我可以尝试按照this answer并行进行培训（但是，我使用
doParallel软件包，因为它似乎与doSNOW一起永远运行，我不不知道为什么。对不起，我找不到doParallel也可以在哪里看到）。library("randomForest")
library("foreach")
library("doParallel")
nb_trees <- #this changes with each test, see table below
nb_cores <- #this changes with each test, see table below
cl <- makeCluster(nb_cores)
registerDoParallel(cl)
ptm <- proc.time()
fit <- foreach(ntree = rep(nb_trees, nb_cores), .combine = combine, .packages = "randomForest")
%dopar% {
randomForest(y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9
+ x10 + x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19
+ x20 + x21,
data = train,
ntree = ntree,
do.trace=TRUE)}
proc.time() - ptm
stopCluster(cl)
当我运行它时，它比非并行代码花费的时间更短：
nb_trees | nb_cores | total number of trees | time
1 4 4 2mn13s
10 10 100 52mn
9 12 108 (closest to 100 with 12 cores) 59mn
42 12 504 (closest to 500 with 12 cores) I won't be running this one
167 12 2004 (closest to 2000 with 12 cores) I'll run it next week-end
但是，我认为仍然需要很多时间，不是吗？我知道将树木合并到最终森林中需要时间，所以我没想到12核的速度会快12倍，但是速度只快2倍左右...
这正常吗？
如果不是，我可以使用我的数据和/或代码做什么来从根本上减少运行时间？
如果不是，我应该告诉服务器负责人说它应该快得多吗？
感谢您的回答。
注意事项：
我是唯一使用此服务器的人
在我的下一个测试中，我将摆脱随机森林中未使用的列
我很晚才意识到我可以通过调用
randomForest(predictors,decision)而不是randomForest(decision~.,data=input)来改善运行时间，从现在开始我将继续这样做，但是我认为上面的问题仍然存在。 最佳答案
虽然我喜欢蛮力技术，例如并行化或运行代码很长时间，但我还是更喜欢改进算法以避免使用蛮力技术。
虽然使用2000棵树来训练您的随机森林开始变得令人难以置信的昂贵，但是使用较少数量的树进行训练花费了更合理的时间。对于初学者，您可以训练诸如4，8，16，32，...，256，512的树，并仔细观察度量标准，以使您知道模型的健壮性。这些指标包括最佳常数模型（森林在数据集上的表现与预测所有输入的中位数的模型）之类的东西，以及袋外误差。此外，您可以观察到最重要的预测变量及其重要性，以及在添加更多树时是否开始看到收敛。
理想情况下，您不必使用数千棵树来构建模型。一旦模型开始收敛，添加更多的树并不一定会使模型恶化，但同时也不会添加任何新信息。通过避免使用过多的树木，您可能可以减少一周左右到不到一天的计算时间。如果最重要的是，您利用了12个CPU内核，那么您可能要花几个小时的时间。
要在每次随机森林运行后查看变量的重要性，可以尝试以下方法：
fit <- randomForest(...)
round(importance(fit), 2)
据我了解，第一个说5-10个预测变量对模型的影响最大。如果您注意到通过增加树木，这些顶级预测变量实际上并没有真正改变彼此的位置，并且重要性指标似乎保持不变，那么您可能要考虑不使用那么多树木。