为什么指定sampsize不会加速randomForest？

Question

我试图使用包randomForest对R中的this large dataset进行随机森林回归。即使与doSNOW和10-20核心并行化，我也遇到了所需的计算时间问题。我想我误解了函数randomForest中的“sampsize”参数。当我将数据集子集化为100,000行时，我可以在9-10秒内构建1个树。

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参数从完整数据集中采样100,000行时，相同的1树需要数小时。

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

显然，我最终将要运行>> 1棵树。我在这里错过了什么？谢谢。

Answer 1

你的括号稍微偏了。请注意以下语句之间的区别。你目前有：

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

它计算布尔矩阵mtcars<10中的行数，其中mtcars中每个元素的TRUE小于10，否则为FALSE。你要：

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

希望这可以帮助。