だから、私は約60 x 1000の行列を持っています。私はそれを1000の特徴を持つ60個のオブジェクトとして見ています。60個のオブジェクトは3つのクラス（a、b、c）にグループ化されます。各クラスには20個のオブジェクトがあり、真の分類がわかります。この60のトレーニング例のセットで教師あり学習を行いたいのですが、分類機能の精度（および関連するメトリック）と1000の機能の機能選択の両方に興味があります。
まず、私の命名はどうですか？
今本当の質問：
ランダムフォレストを、前述のように、または他の任意の数の分類器にスローすることができます。しかし、微妙な点があります。クラスcとクラスaおよびbを区別することだけが重要です。クラスaとbをプールすることもできますが、c以外のすべてのオブジェクトが2つの異なるクラスターを形成する可能性があるという先験的な知識を使用する良い方法はありますか？私と同様のデータで効果的であることが示されているので、ランダムフォレストまたはそのバリアントを使用したいと思います。しかし、私は他のいくつかのアプローチを試すことを確信することができました。
はい、これらの60だけです。しかし、ランダムフォレストの場合、各決定木はサンプルのサブセットで作成されるので、既存の60サンプルのそれぞれを、フォレスト内のそれらのツリーにのみ適用することにより、一般化誤差の推定値を取得できます作成中にそのサンプルが表示されない。（stat.berkeley.edu/~breiman/RandomForests/cc_home.htm#ooberr）したがって、ここでは通常の相互検証は必要ありません。
—
user116293 2012
ここでのオーバーフィットについては非常に心配する必要があります。あなたは60個のオブジェクトを持つ1000個の変数を持っています、それが周りの他のキーであるなら私はずっと気分が良くなります、そして私はまだ過剰適合について心配するべきだと言います。分析を行う前に変数の数を減らす論理的または意味的な方法はありますか？
—
2014年