为什么随机森林并行化后重要性会受到影响？

Question

我现在正在使用 R 中的 randomForest 包。为了加快分类步骤，我对并行执行森林感兴趣。为此，我使用包'foreach'的方式与'foreach'小插图上指示的方式类似。这包括将树的总数除以您想要使用的核心数，然后将它们与包“randomForest”的“组合”功能组合：

require(randomForest)
require(foreach)
require(doParallel)
registerDoParallel(cores=CPUS)
rf  <- foreach::foreach(ntree=rep(ceiling(NTREE/CPUS), CPUS), .combine=randomForest::combine, .packages='randomForest') %dopar% {
    randomForest::randomForest(x=t(Y), y=A, ntree=ntree, importance=TRUE, ...)
    }

我将“平行”森林的结果与一个核心中生成的森林进行了比较。与测试集的预测能力似乎相似，但“重要性”值大大降低，这影响了变量选择的后续步骤。

imp <- importance(rf,type=1)

我想知道为什么会发生这种情况，以及它是正确的还是有任何错误。非常感谢！

Answer 1

randomForest::combine 不支持重新计算变量重要性。在 randomForest 包中，重要性仅在 randomForest::randomForest 函数终止之前计算。两个选项是：

• 编写您自己的变量重要性函数，它将组合的森林和训练集作为输入。这大约是 50 行代码。

• 使用类似“lapply”的并行计算，其中每个 randomForest 对象都是输出列表中的一个元素。接下来在所有森林中聚合变量重要性并简单地计算平均值。在 foreach 循环之外使用 do.call(rf.list,combine) 。这种方法是总变量重要性的近似值，但是相当不错。

Windows 支持的代码示例：

library(randomForest)
library(doParallel)
CPUS=6; NTREE=5000
cl = makeCluster(CPUS)
registerDoParallel(cl)
data(iris)
rf.list = foreach(ntree = rep(NTREE/CPUS,CPUS),
                  .combine=c,
                  .packages="randomForest") %dopar% {
                    list(randomForest(Species~.,data=iris,importance=TRUE, ntree=ntree))  
                  }
stopCluster(cl)
big.rf = do.call(combine,rf.list)
big.rf$importance = rf.list[[1]]$importance
for(i in 2:CPUS) big.rf$importance = big.rf$importance + rf.list[[i]]$importance
big.rf$importance  = big.rf$importance / CPUS
varImpPlot(big.rf)

#test number of trees in one forest and combined forest, big.rf
print(big.rf)  #5000 trees
rf.list[[1]]$ntree 

#training single forest
rf.single = randomForest(Species~.,data=iris,ntree=5000,importance=T)
varImpPlot(big.rf)
varImpPlot(rf.single)
#print unscaled variable importance, no large deviations
print(big.rf$importance)

# setosa  versicolor  virginica MeanDecreaseAccuracy MeanDecreaseGini
# Sepal.Length 0.033184860 0.023506673 0.04043017           0.03241500         9.679552
# Sepal.Width  0.008247786 0.002135783 0.00817186           0.00613059         2.358298
# Petal.Length 0.335508637 0.304525644 0.29786704           0.30933142        43.160074
# Petal.Width  0.330610910 0.307016328 0.27129746           0.30023245        44.043737

print(rf.single$importance)

# setosa   versicolor  virginica MeanDecreaseAccuracy MeanDecreaseGini
# Sepal.Length 0.031771614 0.0236603417 0.03782824          0.031049531         9.516198
# Sepal.Width  0.008436457 0.0009236979 0.00880401          0.006048261         2.327478
# Petal.Length 0.341879367 0.3090482654 0.29766905          0.312507316        43.786481
# Petal.Width  0.322015885 0.3045458852 0.26885097          0.296227150        43.623370

#but when plotting using varImppLot, scale=TRUE by default
#either simply turn of scaling to get comparable results
varImpPlot(big.rf,scale=F)
varImpPlot(rf.single,scale=F)

#... or correct scaling to the number of trees
big.rf$importanceSD = CPUS^-.5 * big.rf$importanceSD 


#and now there are no large differences for scaled variable importance either
varImpPlot(big.rf,scale=T)
varImpPlot(rf.single,scale=T)