优化 ntree 和 mtry（高于 mtry=sqrt(#features) 和 ntree 足够大以稳定 OOB）是一个危险的领域——你需要硬核嵌套交叉验证来避免过度拟合，所以你最终可能会做更多的计算你试图避免的。

我会说更好的主意是不使用 RFE - 具有 200k 的功能，它将有可怕的要求和很小的稳定机会。相反，您可以使用一些全相关的 RF 包装器，例如ACE或Boruta——返回的集合可能大于最小最优，但仍然比原始集合小得多，因此更容易使用 RFE 处理。

并且记住无论使用哪种方法都要验证特征选择（=

我现在实际上正在做这个实验。我从事文本分类工作，因此我的训练集通常具有数十万个特征，我正在研究将线性 SVM（针对 c 参数优化）与随机森林的 weka 实现进行比较。我发现，就我的数据而言，到目前为止，大约 74 棵树和 32 个特征似乎提供了相当不错的性能。当然，增加这些值往往会增加我观察到的 AUC，但它通常在千分之一位。我仍在尝试了解该算法如何处理我的数据，但我怀疑，基于Breiman 论文，您的训练集中的通用特征越多，树参数的数量就越不重要。如果您阅读了这篇论文（这是一篇非常棒的论文），每棵树都包含数据中特征的随机抽样，因此，如果您的集合中有很多有用的特征，那么您更有可能找到一些东西在任何特定的树中都有用。也就是说，我认为针对特定数据优化算法总是一个好主意。对于我的实验，我留出了一个训练/优化集，我在其上跨不同的参数值执行交叉验证。我很想听听你的发现！