随机森林生存分析崩溃

Question

我正在尝试对6500条记录的数据帧运行RFSRC，其中包含59个变量：

rfsrc_test <- rfsrc(Surv(TIME, DIED) ~ ., data=test, nsplit=10, na.action = "na.impute")

当我在1500条记录上运行它时，它似乎可以工作，但在整个数据集上崩溃。

它在没有任何特定错误的情况下崩溃了--有时它会给出“异常处理错误”。

你有什么想法怎么调试这个吗？我在数据库中浏览了一下奇怪的行，但一无所获。

Answer 1

我们不知道每条记录的大小，也不知道变量的复杂性。

当我遇到RAM开销时，我也遇到过类似的情况。R不是为海量数据集设计的。并行处理可以解决这个问题，但是R不是为此而设计的，下一个建议是购买更多的RAM。

我的方法是减少变量的数量，直到您可以处理6500条记录(确保它只是数据集大小)。然后，我会预先筛选每个变量的适合度，例如GLM，并使用能够解释大量数据并最小化残差的变量。然后，我会在减少的变量上重新运行生存分析。

Answer 2

您可以检查的一件事是时间变量-存在多少不同的值？生存森林将为每个节点保存累积风险函数。如果数据集中的唯一时间点的数量大于CHFS，那么CHFS也会变大。我不得不舍入我的时间变量，这大大减少了运行时间。