为什么指定sampsize不会提高randomForest的速度？

Question

我正在尝试使用randomForest包在R中的this large dataset上运行随机森林回归。我遇到了所需计算时间的问题，即使是在并行使用doSNOW和10-20个内核的情况下也是如此。我想我误解了函数randomForest中的"sampsize“参数。当我将数据集子集到100,000行时，我可以在9-10秒内构建一棵树。

training = read.csv("training.csv")
t100K = sample_n(training, 100000)
system.time(randomForest(tree~., data=t100K, ntree=1, importance=T)) #~10sec

但是，当我在运行randomForest的过程中使用sampsize参数从整个数据集中采样100,000行时，相同的1棵树需要几个小时。

system.time(randomForest(tree~., data=training, sampsize = ifelse(nrow(training<100000),nrow(training), 100000), ntree=1, importance=T)) #>>100x as long. Why?

显然，我最终还是要运行>>1树。这里我漏掉了什么？谢谢。

Answer 1

你的支架稍微偏了一点。请注意以下语句之间的差异。您目前拥有：

ifelse(nrow(mtcars<10),nrow(mtcars), 10)

它计算对于mtcar中的每个元素具有小于10的TRUE的布尔矩阵mtcars<10中的行数，否则为FALSE。您需要：

ifelse(nrow(mtcars)<10,nrow(mtcars), 10)

希望这能有所帮助。