我有一个 5297X26 的不平衡数据集，class1 有 588 个样本，class2 有 4709 个样本。我使用以下代码来执行随机森林：
rfp<-randomForest(label~.,data=data,importance=TRUE,proximity=TRUE,replace=TRUE,sampsize=c(588,588))
因此，我可以通过在每次迭代中从每个类中选择 588 个样本来解决不平衡问题。但我也想对特征选择进行交叉验证。我打算使用的函数是 rfcv 。我尝试将 sampsize=c(588,588) 添加到函数中，但没有成功。如何在此函数中执行采样？
您的 class1 和 class2 总和为 588 和 4709 加起来不是 5267 而是 5297。但是假设您有一组 5297x26 的回归量，我可以通过您发布的电话估算随机福雷斯特
data <- data.frame(matrix(rnorm(5297*26), ncol=26),
label=c(rep('class1', 588),
rep('class2', 4709)))
randomForest(label~., data=data,importance=TRUE, proximity=TRUE,
replace=TRUE, sampsize=c(588,588))
也许你可以使用每个类的恒定分数的分层抽样，所以如果你想要每个类的 2/3，你可以使用sampsize=c(392, 2472)
任何需要您丢弃数据才能使用它的方法都是有缺陷的。您可能很想这样做，因为您打算使用不连续的不正确的准确性评分规则，例如“正确”“分类”的比例。这个特定的准确度分数是由阳性病例的流行率任意操纵的，与一致性概率不同（-指数; ROC 区域）和其他预测歧视的措施。