Rのランダムフォレストを使用した分類では、クラスサイズの不均衡をどのように調整する必要がありますか？

現在取り組んでいるプロジェクトのさまざまな分類方法を調査しており、ランダムフォレストを試すことに興味があります。私は自分自身を教育しながら努力しているので、CVコミュニティから提供された助けに感謝します。

データをトレーニング/テストセットに分割しました。Rのランダムフォレストでの実験（randomForestパッケージを使用）から、小さなクラスの誤分類率が高いという問題がありました。不均衡なデータでのランダムフォレストのパフォーマンスに関するこの論文を読み、著者は、ランダムフォレストを使用する場合のクラスの不均衡に対処する2つの方法を提示しました。

1.重み付きランダムフォレスト

2.バランスのとれたランダムフォレスト

Rパッケージはクラスの重み付けを許可していません（Rヘルプフォーラムから、classwtパラメーターが正しく実行されておらず、将来のバグ修正としてスケジュールされていることを読みました）ので、オプション2を残します。ランダムフォレストの反復ごとに各クラスからサンプリングされたオブジェクトの数。

ランダムフォレストのサンプルサイズを同じに設定するのは不安です。将来のデータでパフォーマンスが低下する大規模なクラスに関する情報を失いすぎると感じているからです。より大きなクラスをダウンサンプリングするときの誤分類率は改善することが示されていますが、ランダムフォレストで不均衡なクラスサイズに対処する他の方法があるかどうか疑問に思っていましたか？

これらのオプションが気に入らない場合は、代わりにブースティング方法の使用を検討しましたか？適切な損失関数が与えられると、ブーストにより、重みが自動的に再調整されます。ランダムフォレストの確率的性質が魅力的な場合、確率的勾配ブースティングも同様にそれを構築します。

オブジェクトに重みを付けることは、オブジェクトを複製することとなんらかの意味で同じだと思います。たぶん、異なるクラスを適切にサンプリングして、ブートストラップ手順を変更してみてください。

$0.5$

大きなクラスをサンプリングする代わりに、小さなクラスを展開できます！大規模なクラスの観測数が数倍多い場合、小規模な場合、バイアスは小さくなります。その超大規模なデータセットを処理できることを願っています。

また、大規模なクラスに関するほとんどの情報を処理する観測値のサブセットを識別することもできます。多くの可能な手順があります。最も単純な方法は最近傍法に基づいていると考えます。オリジナルのもの。

randomForestはFortranとcで書かれており、ソースコードは入手可能です（http://cran.r-project.org/src/contrib/randomForest_4.6-2.tar.gz）が、人間性が計算される場所を見つけることはできません。追伸 ランダムフォレストが人類の代わりにジニを使用すること

（1）重み関数は機能せず、修正されたかどうかはわかりません。

（2）ほとんどは、バランスの取れたデータでオプション2を使用します。大量のデータを失わないための鍵は、層化サンプリングです。各ツリーに対して一意のバランスの取れたセットをランダムにサンプリングします。

合成マイノリティオーバーサンプリング（SMOTE）は、隣接する観測値のランダムな凸の組み合わせとして、マイノリティクラスの新しい観測値を生成します。論文はこちら：https : //bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-14-106