混淆矩阵是在由选票截止确定的特定点计算的。根据您的需要，即更好的精度（减少误报）或更好的灵敏度（减少误报），您可能更喜欢不同的截止值。

为此，我建议绘制 (i) ROC 曲线，(ii) 召回精度和 (iii) 校准曲线，以便选择最适合您的目的的截止值。所有这些都可以使用ROCR R 库中的以下 2 个函数轻松绘制（也可在CRAN上获得）：

pred.obj <- prediction(predictions, labels,...)
performance(pred.obj, measure, ...)

例如：

rf <- randomForest (x,y,...);
OOB.votes <- predict (rf,x,type="prob");
OOB.pred <- OOB.votes[,2];

pred.obj <- prediction (OOB.pred,y);

RP.perf <- performance(pred.obj, "rec","prec");
plot (RP.perf);

ROC.perf <- performance(pred.obj, "fpr","tpr");
plot (ROC.perf);

plot  (RP.perf@alpha.values[[1]],RP.perf@x.values[[1]]);
lines (RP.perf@alpha.values[[1]],RP.perf@y.values[[1]]);
lines (ROC.perf@alpha.values[[1]],ROC.perf@x.values[[1]]);

您的设置严重不平衡——RF 在这种情况下通常会失败（即只能很好地预测更大的类别）。

您应该尝试通过对“0”类进行采样以使其具有与“1”类大致相同的大小或通过使用classwt参数来平衡您的集合。

根据您的混淆矩阵，您有 5,908 个数据点，其中绝大多数属于 0 型（“员工留下”）。因此，分类器可以摆脱“懒惰”并选择多数类，除非它绝对确定一个示例属于另一个类。请注意，您的总体错误率约为 7%，这与 Class1 示例的百分比非常接近！

你有几个选择：

• 丢弃 Class0 示例，直到您的类大致平衡。我不知道是否有关于如何选择最佳代表性子集的文献（也许其他人可以权衡？），但您可以从随机删除示例开始。您可以将subset参数传递给 randomForest，这应该使测试变得微不足道。

• 调整您的损失函数/类别权重以补偿 Class0 不成比例的数量。本质上，您想让分类器对 Class1 示例进行错误分类的代价比 Class0 示例高得多。尝试 Class0 = 1/0.07 ~= 14x Class1 开始可能是有意义的，但您可能需要根据您的业务需求进行调整（一种错误有多糟糕）。我认为classwt参数是你在这里寻找的。

• 使用分层抽样来确保您在树的训练数据中获得了来自两个类的示例。您的某些树可能仅针对 Class0 数据进行了训练，这显然预示着它们的泛化性能很差。看看strata论据。