是否有一个随机森林实现方案可以很好地处理稀疏数据？

是否有一个R随机森林实现方案可以很好地处理稀疏数据？我有成千上万的布尔输入变量，但是对于任何给定的示例，只有几百个布尔值才是TRUE。

我对R还是比较陌生，并且注意到有一个用于处理稀疏数据的“ Matrix”包，但是标准的“ randomForest”包似乎无法识别这种数据类型。如果重要的话，输入数据将在R之外生成并导入。

有什么建议吗？我也可以研究使用Weka，Mahout或其他软件包。

不，在R中没有针对稀疏数据的RF实现。部分原因是RF无法很好地解决此类问题-装袋和分割的次优选择可能会浪费大多数对零值区域的模型洞察力。

尝试一些内核方法，或者更好地考虑将数据转换为带有某些描述符的更高级的表示形式（或使用某些降维方法）。

实际上，是的。

它xgboost是为极限梯度增强而制作的。目前，对于很多人来说，这是运行带有R稀疏矩阵的模型的首选软件包，并且如上面的链接所述，您可以通过调整参数将其用于随机森林！

R包“ Ranger”应该这样做。

https://cran.r-project.org/web/packages/ranger/ranger.pdf

快速实现随机森林，特别适合于高维数据。

与randomForest相比，此软件包可能是我所见过的最快的RF实现。它以本机方式处理分类变量。

有一个名为Quick-R的博客，应该可以帮助您了解R的基础知识。

R与包一起使用。每个程序包可以做不同的事情。有一个叫做“ randomForests”的软件包，应该正是您所要的。

请注意，无论采用哪种方法，稀疏数据都会带来问题。据我所知，这是一个非常开放的问题，数据挖掘通常是一门艺术，而不是一门科学。总体上来说，随机森林表现很好，但它们并非总是最好的方法。您可能想尝试具有许多层的神经网络，这可能会有所帮助。