- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
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
)
na.roughfix
,执行时间很长。训练集中有很多
NA's
。
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
nodesize=42
或更大的值,但通常会生成树(缓慢)
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。
newdata[,importantCols]
importance=F
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/
我正在从 Stata 迁移到 R(plm 包),以便进行面板模型计量经济学。在 Stata 中,面板模型(例如随机效应)通常报告组内、组间和整体 R 平方。 I have found plm 随机效应
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 想改进这个问题?将问题更新为 on-topic对于堆栈溢出。 6年前关闭。 Improve this qu
我想要求用户输入整数值列表。用户可以输入单个值或一组多个值,如 1 2 3(spcae 或逗号分隔)然后使用输入的数据进行进一步计算。 我正在使用下面的代码 EXP <- as.integer(rea
当 R 使用分类变量执行回归时,它实际上是虚拟编码。也就是说,省略了一个级别作为基础或引用,并且回归公式包括所有其他级别的虚拟变量。但是,R 选择了哪一个作为引用,以及我如何影响这个选择? 具有四个级
这个问题基本上是我之前问过的问题的延伸:How to only print (adjusted) R-squared of regression model? 我想建立一个线性回归模型来预测具有 15
我在一台安装了多个软件包的 Linux 计算机上安装了 R。现在我正在另一台 Linux 计算机上设置 R。从他们的存储库安装 R 很容易,但我将不得不使用 安装许多包 install.package
我正在阅读 Hadley 的高级 R 编程,当它讨论字符的内存大小时,它说: R has a global string pool. This means that each unique strin
我们可以将 Shiny 代码写在两个单独的文件中,"ui.R"和 "server.R" , 或者我们可以将两个模块写入一个文件 "app.R"并调用函数shinyApp() 这两种方法中的任何一种在性
我正在使用 R 通过 RGP 包进行遗传编程。环境创造了解决问题的功能。我想将这些函数保存在它们自己的 .R 源文件中。我这辈子都想不通怎么办。我尝试过的一种方法是: bf_str = print(b
假设我创建了一个函数“function.r”,在编辑该函数后我必须通过 source('function.r') 重新加载到我的全局环境中。无论如何,每次我进行编辑时,我是否可以避免将其重新加载到我的
例如,test.R 是一个单行文件: $ cat test.R # print('Hello, world!') 我们可以通过Rscript test.R 或R CMD BATCH test.R 来
我知道我可以使用 Rmd 来构建包插图,但想知道是否可以更具体地使用 R Notebooks 来制作包插图。如果是这样,我需要将 R Notebooks 编写为包小插图有什么不同吗?我正在使用最新版本
我正在考虑使用 R 包的共享库进行 R 的站点安装。 多台计算机将访问该库,以便每个人共享相同的设置。 问题是我注意到有时您无法更新包,因为另一个 R 实例正在锁定库。我不能要求每个人都关闭它的 R
我知道如何从命令行启动 R 并执行表达式(例如, R -e 'print("hello")' )或从文件中获取输入(例如, R -f filename.r )。但是,在这两种情况下,R 都会运行文件中
我正在尝试使我当前的项目可重现,因此我正在创建一个主文档(最终是一个 .rmd 文件),用于调用和执行其他几个文档。这样我自己和其他调查员只需要打开和运行一个文件。 当前设置分为三层:主文件、2 个读
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 想改进这个问题?将问题更新为 on-topic对于堆栈溢出。 5年前关闭。 Improve this qu
我的 R 包中有以下描述文件 Package: blah Title: What the Package Does (one line, title case) Version: 0.0.0.9000
有没有办法更有效地编写以下语句?accel 是一个数据框。 accel[[2]]<- accel[[2]]-weighted.mean(accel[[2]]) accel[[3]]<- accel[[
例如,在尝试安装 R 包时 curl作为 usethis 的依赖项: * installing *source* package ‘curl’ ... ** package ‘curl’ succes
我想将一些软件作为一个包共享,但我的一些脚本似乎并不能很自然地作为函数运行。例如,考虑以下代码块,其中“raw.df”是一个包含离散和连续类型变量的数据框。函数“count.unique”和“squa
我是一名优秀的程序员,十分优秀!