R 将两个随机森林模型中的树模型合并为一个随机森林模型

我是机器学习海洋的新手，如果我的一些问题真的很基本，请原谅

当前情况：总体目标是改进超级计算机集群上运行的r中h2o包的一些代码。但是，由于数据太大，使用h2o的单个节点实际上需要一天以上的时间，因此，我们决定使用多个节点来运行模型。我想出了一个主意：

（1） 分发每个节点以构建（nTree/num_节点）树并保存到模型中

（2） 在集群上的每个节点上运行（nTree/num_node）林中的树数

（3） 将树木重新合并并改造原始森林，并平均使用测量结果

后来我意识到这可能有风险。但我找不到实际的支持或反对声明，因为我不是以机器学习为中心的程序员

问题:

如果这种处理随机森林的方法将导致一些风险，请参考我的链接，这样我就可以有一个基本的想法，为什么这是不正确的

如果这种方式实际上是一种“ok”方式。我应该怎么做合并树，有没有一个包或方法我可以借用

如果这是一个实际解决的问题，请参考我的链接，我可能搜索了错误的关键字，谢谢 我可以在这里给出的真实数字示例是：

---

我有一个随机森林任务，有80k行和2k列，希望树的数量是64。我所做的是在运行整个数据集的每个节点上放置16棵树，四个节点中的每一个都会产生一个RF模型。我现在正试图将每个模型中的树合并到这个大射频模型中，并平均测量值（这四个模型中的每一个）

10000行乘1000列不会太大，训练RF模型也不会花那么长时间

听起来好像发生了意想不到的事情

---

如果你知道你在做什么，你可以尝试平均化模型，但我认为在这种情况下没有必要这样做。

没有必要合并模型。与boosting方法不同，随机林中的每棵树都是独立生长的（只是在每个节点上启动RF之前不要设置相同的种子！）

你基本上是在做随机森林自己做的事情，那就是生长X棵独立的树，然后在投票中求平均值。许多软件包提供了一个选项来指定内核或线程的数量，以便利用RF的这一特性

---

在您的例子中，由于每个节点有相同数量的树，您将得到4个“模型”，但这些实际上只是16棵树的集合。为了使用它，我只需要将4个模型分开，当您需要预测时，平均4个模型中的每个模型的预测。假设您不止一次这样做，您可以编写一个小包装函数来预测4个模型并平均输出。

我的回答，实际上是80000+和2000+字段，我将更新我的答案。这实际上是我后来发现的，谢谢您的回答！