R 随机森林似乎处理的因子不超过32类。在训练我的模型时，我应该如何将这些因素包括在内？

我试图根据我的训练数据训练随机森林，这些数据具有“名称”、“城市”等预测因子。这两个预测因子有32个以上的类别。我该怎么做才能包含它们

---

甚至其他一些算法似乎也无法处理更大的类别，如SVM或gbm

出于速度原因，通常建议避免使用公式界面来随机选择森林。相反，在公式中使用

model.matrix

，并将结果反馈给randomforest。然后你可以有你想要的任意多的类别，因为它们是二分法的（即，模拟出来或变成二进制变量）

---

正如@joran所指出的，您可能还需要更多地思考您的问题。

（1）32个二进制变量，或（2）将变量向下折叠到更少的类别。在这种情况下，限制是技术上的，但类别数量巨大的变量在统计上可能会有问题，因为这通常是一个迹象，表明在数据选择和准备过程中很少考虑。或者，不要使用这些变量，而是使用你收集的另一个。@joran如何使用美国所有50个州，例如a“这表明很少有人考虑”数据的选择？你如何对这些变量进行分类/分组？@Gaffi 50状态在某些情况下可能是合理的，这取决于模型。但这是你的例子，不是我的，也不是OP的，他只提到名称和城市（在我看来，这意味着超过50个）.一般来说，由于样本量和可估计性问题，类别非常多的变量往往信息量不大。但每件事都有例外。@joran我想我的观点是，我与OP有相同的问题，但我不确定如何处理所有50个州。你还可以如何将这些预测值组合在一起？Spl它下降到25/25，并运行两个不同的分析？这个答案救了我的命：）很高兴帮助：-）