r - 我如何让 rpart 与增加的因素一起工作？

Question

我观察到，仅对于 rpart 包(用于决策树模型)，当我增加数据中的因子级别数时，该包会急剧变慢。我和其他包对比过，只针对rpart，好像是这样。下面是在我的数据上尝试各种算法的图表。 X 轴显示使用的因子水平数，Y 轴显示以秒为单位的时间。如您所见，对于 rpart 而言，因子数量增加的峰值是巨大的。

通过在线阅读一些资源以及堆栈溢出的页面，我了解到这与 rpart::rpart.matrix 中的 for 循环有关，并使用 [ls]apply 更改它会加快该部分代码的运行速度。

这是原始代码

function (frame)
{
    if (!inherits(frame, "data.frame") || is.null(attr(frame,
        "terms")))
        return(as.matrix(frame))
    for (i in 1:ncol(frame)) {
        if (is.character(frame[[i]]))
            frame[[i]] <- as.numeric(factor(frame[[i]]))
        else if (!is.numeric(frame[[i]]))
            frame[[i]] <- as.numeric(frame[[i]])
    }
    X <- model.matrix(attr(frame, "terms"), frame)[, -1L, drop = FALSE]
    colnames(X) <- sub("^`(.*)`", "\\1", colnames(X))
    class(X) <- c("rpart.matrix", class(X))
    X
}

这是为加快循环而建议的更改

# exactly the same as rpart.matrix, but with for replaced by lapply
f <- function(frame)
{
    if (!inherits(frame, "data.frame") || is.null(attr(frame, 
        "terms"))) 
        return(as.matrix(frame))
    frame[] <- lapply(frame, function(x) {
        if (is.character(x))
            as.numeric(factor(x))
        else if(!is.numeric(x))
            as.numeric(x)
        else x
    })
    X <- model.matrix(attr(frame, "terms"), frame)[, -1L, drop = FALSE]
    colnames(X) <- sub("^`(.*)`", "\\1", colnames(X))
    class(X) <- c("rpart.matrix", class(X))
    X
}

但是，如何让整个 rpart 包加速？

是否可以下载 rpart 代码并进行这些更改？

另外，我知道速度变慢的原因是将分类变量转换为 0/1 类型的“扁平化变量”的代码段。这真的有必要吗？难道仅仅通过为每个因素维护一个列表来标记使用这个因素的行，是否可以在内部实现中以不同的方式对待分类变量？

请指教。
谢谢。

Answer 1

您可以使用 trace 更改 rpart.matrix 中的功能代码

trace("rpart.matrix", where=asNamespace("rpart"), edit=TRUE)