随机森林的高OOB错误率

Question

我正在尝试开发一个模型来预测WaitingTime变量。我在以下数据集上运行随机林。

$ BookingId          : Factor w/ 589855 levels "00002100-1E20-E411-BEB6-0050568C445E",..: 223781 471484 372126 141550 246376 512394 566217 38486 560536 485266 ...
$ PickupLocality        : int  1 67 77 -1 33 69 67 67 67 67 ...
$ ExZone                : int  0 0 0 0 1 1 0 0 0 0 ...
$ BookingSource         : int  2 2 2 2 2 2 7 7 7 7 ...
$ StarCustomer          : int  1 1 1 1 1 1 1 1 1 1 ...
$ PickupZone            : int  24 0 0 0 6 11 0 0 0 0 ...
$ ScheduledStart_Day    : int  14 20 22 24 24 24 31 31 31 31 ...
$ ScheduledStart_Month  : int  6 6 6 6 6 6 7 7 7 7 ...
$ ScheduledStart_Hour   : int  14 17 7 2 8 8 1 2 2 2 ...
$ ScheduledStart_Minute : int  6 0 58 55 53 54 54 0 12 19 ...
$ ScheduledStart_WeekDay: int  1 7 2 4 4 4 6 6 6 6 ...
$ Season                : int  1 1 1 1 1 1 1 1 1 1 ...
$ Pax                   : int  1 3 2 4 2 2 2 4 1 4 ...
$ WaitingTime           : int  45 10 25 5 15 25 40 15 40 30 ...

我使用样本方法将数据集拆分为80％/ 20％的训练/测试子集，然后运行不包括BookingId因子的随机森林。这仅用于验证预测。

set.seed(1)
index <- sample(1:nrow(data),round(0.8*nrow(data)))

train <- data[index,]
test <- data[-index,]

library(randomForest)

extractFeatures <- function(data) {
  features <- c(    "PickupLocality",
        "BookingSource",
        "StarCustomer",
        "ScheduledStart_Month",
        "ScheduledStart_Day",
        "ScheduledStart_WeekDay",
        "ScheduledStart_Hour",
        "Season",
        "Pax")
  fea <- data[,features]
  return(fea)
}

rf <- randomForest(extractFeatures(train), as.factor(train$WaitingTime), ntree=600, mtry=2, importance=TRUE)

问题是所有试图降低OOB错误率并提高准确性的尝试都失败了。我设法达到的最高准确率是~23％。

我尝试更改使用的功能数量，不同的ntree和mtry值，不同的训练/测试比率，并且还仅考虑WaitingTime＆lt; = 40的数据。我的最后一次尝试是关注MrFlick＆＃39; s所有类的建议和获得相同的样本大小为我的预测变量（WaitingTime）的所有类获得相同的样本大小。1

tempdata <- subset(tempdata, WaitingTime <= 40)
rndid <- with(tempdata, ave(tempdata$Season, tempdata$WaitingTime, FUN=function(x) {sample.int(length(x))}))

data <- tempdata[rndid<=27780,]

您是否了解我如何才能达到至少50％以上的准确度？

按WaitingTime类记录：

提前致谢！

Answer 1

使用randomForest超参数进行混乱几乎肯定不会显着提高您的性能。

我建议您使用回归方法处理数据。由于等待时间不是绝对的，因此分类方法可能效果不佳。您的分类模型丢失了5＆lt; 0的订购信息。 10＆lt; 15等。

首先尝试的一件事是使用简单的线性回归。将测试集中的预测值加起来并重新计算准确度。更好？更差？如果它更好，那么继续尝试一个randomForest回归模型（或者我喜欢的梯度提升机器）。

其次，您的数据可能无法预测您感兴趣的变量。也许数据在上游以某种方式混乱。首先计算预测因子与结果的相关性和/或互信息可能是一个很好的诊断方法。

此外，有这么多分类标签，23％可能实际上并不那么糟糕。基于随机猜测正确标记特定数据点的概率是N_class / N.因此，随机猜测模型的准确性不是50％。您可以计算adjusted rand index以表明它比随机猜测更好。