我有一个大小为38 MB的训练集（带有420000行的12个属性）。我正在运行下面的R代码段，以使用randomForest训练模型。这对我来说要花几个小时。
rf.model <- randomForest(
Weekly_Sales~.,
data=newdata,
keep.forest=TRUE,
importance=TRUE,
ntree=200,
do.trace=TRUE,
na.action=na.roughfix
)
我认为，由于
na.roughfix，执行时间很长。训练集中有很多NA's。有人可以让我知道如何改善性能吗？
我的系统配置是：
Intel(R) Core i7 CPU @ 2.90 GHz
RAM - 8 GB
HDD - 500 GB
64 bit OS
最佳答案
（tl; dr是您应该a）将节点大小增加到>> 1，并且b）排除非常不重要的要素列，甚至可以排除（说）80％的列。您的问题几乎肯定不是na.roughfix，但是如果您怀疑是这样，请在调用na.roughfix之前将randomForest作为独立步骤单独运行。首先将红色鲱鱼移开。）
现在，以下所有建议仅在您耗尽内存限制之前适用，因此请测量内存使用量，并确保未超过。 （从令人难以置信的小参数开始，然后按比例放大它们，测量运行时间，并不断检查它的增加是否不成比例。）
影响randomForest性能的主要参数为：
mtry（越少速度越快）
树
数据中功能/列的数量-更多的数量变慢，或更糟！见下文
数据观察/行数
ncores（越多速度越快-只要使用了并行选项）
通过设置重要性= F和接近度= F可以提高性能（不计算接近度矩阵）
永远不要使用疯狂的默认nodesize=1进行分类！在Breiman的软件包中，您不能直接设置maxdepth，但是可以使用nodesize作为其代理，还可以在以下位置阅读所有好的建议：CrossValidated: "Practical questions on tuning Random Forests"
因此，这里的数据有4.2e + 5行，然后，如果每个节点的大小都不应小于〜0.1％，请尝试nodesize=42。 （首先尝试nodesize = 420（1％），查看它的速度，然后重新运行，向下调整nodesize。根据经验确定此数据集的合适nodesize。）
运行时间与〜2 ^ D_max成正比，即（-log1p（nodesize））的多项式
您也可以选择通过采样来加快速度，请参见strata,sampsize参数
然后，运行时间的一阶估计为：mtry = M，ntrees = T，ncores = C，nfeatures = F，nrows = R，maxdepth = D_max。
Runtime proportional to: T * F^2 * (R^1.something) * 2^D_max / C
（同样，如果超出内存，所有赌注都将取消。此外，请尝试仅在一个内核上运行，然后在2个内核上运行，然后在4个内核上运行，并验证您确实确实获得了线性加速。而不是减速。）
（大的R的影响比线性的要差，也许是二次的，因为树分区必须考虑数据行的所有分区；当然，它比线性的要差一些。通过使用采样或索引仅给出10％行）。
提示：保留大量废话不重要的功能，可二次增加运行时间，从而使精度亚线性增加。这是因为在每个节点上，我们必须考虑所有可能的特征选择（或mtry允许的任何数字）。在每棵树中，我们必须考虑所有（F-选择-mtry）可能的特征组合。
因此，这是我的方法，执行“快速而肮脏的性能选择”：
尽管使用合理的
nodesize=42或更大的值，但通常会生成树（缓慢）查看rf $ importances或
randomForest::varImpPlot()。仅选择top-K功能，然后在其中选择K；例如，选择K = 3。保存整个列表以备将来参考。现在重新运行树，但只给它
newdata[,importantCols]确认速度是平方的，并且oob.error不会更糟
一旦知道了变量的重要性，就可以关闭
importance=F调整mtry和节点大小（一次调整一个），重新运行并衡量速度提高
在对数轴上绘制性能结果
将结果发布给我们！您是否证实了上述观点？关于内存使用有何评论？
（请注意，以上对于实际的特征选择不是一个统计有效的过程，请不要依赖于此，请阅读randomForest软件包以获取基于RF的特征选择的实际正确方法。）
关于r - 如何提高randomForest的性能？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/23075506/