增加样本数据的大小 - R

Question

我的一位同事指出randomForest()在超大型数据集中表现不佳。现在，我只是想弄清楚是不是真的是这样，但由于数据集不能共享（敏感信息），我想我不妨试着想出一个大型的数据集。我曾尝试以下，但不能使错误消息的意义：

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' 

任何人都可以请指导我在这里？

Answer 1

sample接受一个向量。从data.frame采样时，通常通过将这些行引用为数字来对这些行进行采样，这非常类似于子集，但在这种情况下，采用替换。

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

Answer 2

随机森林在大型数据集中表现不佳的断言是荒谬的。从样本量和多变量角度来看，它非常适合高维问题。射频和非常大问题的主要问题是：1）易处理性和2）样品平衡。

如果您遇到一个类比例较大（> 30％）的问题，那么引导程序可能会有偏差，并且OOB验证以及可能的估计不正确。例如[0 = 10000,1 = 200]的二元问题的结果将是一个非常高的预测率到0和非常低到1，导致模型的非常好，但相当夸张的OOB错误率，但是对于1级来说性能很差。

这显然不代表模型性能，而且对于第1级，预测发病率很低。如果您有类平衡问题，我会按照Chen et al。 （2004）或Evans & Cushman（2009）。

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

Evans，J.S.和S.A. Cushman（2009）利用随机森林进行针叶树物种梯度模拟。景观生态学5：673-683。