randomForestSRC 抽样方案

Question

我正在使用 R 中的 randomForest 包对不平衡数据进行建模。结果是一个二元变量，结果（否，是）的相对频率为（2249（88%），318（12%））。

由于不平衡，RF 最初预测为“否”，OOB 错误率为 0%，“是”，OOB 错误率为 100%。我通过使用以下代码强制使用从可能的 2249 中随机抽样的所有 318 个是结果和 318 个否结果来更改 RF 中的抽样设计。 OOB 错误率更改为合理的 44%（否）和 12%（是）。

rf1 <- randomForest(binary.outcome ~ ., data = data, 
                   strata = data$binary.outcome,
                   sampsize = c(318,318), replace = TRUE, importance = TRUE,
                   proximity = TRUE, mtry = 8, ntree = 2000)

有谁知道如何在 randomForestSRC 中重复这种抽样设计？

我无法从 CRAN pdf 规范中解决问题

rfsrc.1 <- rfsrc(binary.outcome ~ ., data = data, 
                bootstrap = "by.user", samptype = "swor",
                samp = c(318,318), replace = TRUE, importance = "permute",
                proximity = TRUE, mtry = 8, ntree = 2000)

我收到错误消息“在 apply(samp,2, sum): dim(x) must have positive length”

我不知道如何操作 samp 和 bootstrap 来获得我想要的东西。

谢谢，

不要

Answer 1

我们的文档可能会更清晰。您应该在 rfsrc() 调用中使用 case.wt 选项。将 bootstrap、samptype 和 samp 保留为默认值。 case.wt 必须是维度为 n 的向量，其中 n 等于已处理数据集中的案例数。在您的情况下， n= 2567 假设没有丢失数据。每个少数类案例的权重应为 1/318，每个多数类案例的权重应为 1/2249。向量将在内部进行归一化，并且每个引导程序将具有相等数量的每个类，如果这是本意的话。

请注意，我们正在研究一种称为 g-mean 的新性能度量，它与少数二类问题相关。它将在即将发布的 beta 版本中发布

https://github.com/kogalur/randomForestSRC

此外，我们将实施阈值，如果少数类在节点中的比例大于其在数据集中的整体比例，则允许少数类获胜，而不是默认阈值 50%目前决定胜负。我们很乐意在此功能可用时通知您，因为它可能与您的情况有关。