R 随机森林：如何获得100%的精度？

我有一个大约3000个阳性样本和1500个阴性样本的数据集，大约有1000个特征。所有功能都是实数。我想用“randomForest”R包训练一个randomForest分类器

问题是我需要一个在训练数据集上具有100%精度（TP/TP+FP）的分类器。然而，我很难通过调整经过训练的随机林中的$vots来实现这一点

我想知道是否有人有经验或对这种问题有任何想法？如果你有任何线索，请给我一些提示。提前谢谢

---

我愿意接受任何其他机器学习方法，如果它能保证100%的精度。

如果你不能通过修改投票分数阈值来做到这一点，那么你必须以某种方式修改树本身

一种方法是实际训练加权树。不幸的是，我现在没有这方面的指针，但这与在中所做的类似（但他们这样做是为了提升）

（再想一想，您是否查看了参数：

classwt

，该参数的注释为“类的优先级。不必相加为1。为回归而忽略”）

---

一个要点是：假阳性率并不等于

FP/（FP+TP）

。这是真的<代码> FP/（FP+TN）或等同地<代码> FP/“实际否定”< /C>，因为您只想考虑有多少假阳性作为实际否定的函数。

谢谢您的回复。我尝试了投票分数，但效果不是很好，因为一些阴性样本与阳性标签的票数接近1。我尝试了一点classwt，但效果不是很好（一些线程认为该功能尚未在R中实现）。您可能只需要更好的功能。Recall=TP/（TP+FN）。精度=TP/（TP+FP）。