参数'；classwt'；R中RandomForest包中的函数代表？

randomforest:：randomforest（）

的帮助页面上显示：

“classwt-类的优先级。不必相加为一。对于回归，忽略此选项。”

设置

classwt

参数是否有助于处理严重不平衡的数据，即类的优先级差异很大

在具有3个类且先验向量等于（p1、p2、p3）且在测试集中先验为（q1、q2、q3）的数据集上训练模型时，我应该如何设置

classwt

当您有大量不平衡的数据时，设置classwt参数是否有帮助？类的优先级差别很大

是的，classwt的设置值对于不平衡的数据集可能很有用。我同意joran的观点，这些值是在抽样训练数据的概率中转换的（根据Breiman在其原始文章中的论点）

当在具有3个类的训练数据集中，先验向量等于（p1、p2、p3），而在测试集中先验向量为（q1、q2、q3）时，如何设置classwt

对于培训，您可以简单地指定

rf <- randomForest(x=x, y=y, classwt=c(p1,p2,p3))

---

rf我不确定你的第二个问题，但我相信从数据中采样时会用到
classwt
，这样每个树的每个样本都是从你的类中以这些概率（标准化后）提取的。分层产生与classwt相同的性能，并且更易于控制，请在SO上查看此指南：@joran这就是您所描述的战略。Classwt用于对样本进行加权，以便在训练过程中找到节点分割的最佳断点，并定义节点预测。四年后，我的老评论可能也会困扰我：）因为我理解先验（p1、p2、p3）是一般人群的特征，而不是特定的训练数据集。如果我想预测测试数据集中的类，并且我知道集合中的类概率（q1、q2、q3）比设置classwt=c（q1、q2、q3）要高，则应帮助random forest以更好的方式探索训练空间。不，这些类权重仅针对训练集。例如，如果您有平衡的训练集，通常不需要使用
classwt
参数。但同时，您可能会有不平衡的测试集，我希望在这种情况下更改类weghts不会改进测试集预测。换句话说，使用
classwt
可以提高其中一个类的预测精度，同时降低另一个类的预测精度。例如，您可以稍微使用这个参数并查看OOB集合预测统计信息。