不，R 中没有针对稀疏数据的 RF 实现。部分原因是 RF 不太适合此类问题——装袋和次优的拆分选择可能会浪费大部分模型对仅零区域的洞察力。

尝试一些内核方法，或者更好地考虑使用一些描述符将您的数据转换为更丰富的表示（或使用一些降维方法）。

实际上，是的。

它xgboost是为 eXtreme 梯度提升而设计的。这是目前许多人在 R 中运行具有稀疏矩阵的模型的首选包，正如上面的链接所解释的，您可以通过调整参数将它用于随机森林！

R包“游侠”应该做。

https://cran.r-project.org/web/packages/ranger/ranger.pdf

随机森林的快速实现，特别适用于高维数据。

与 randomForest 相比，这个包可能是我见过的最快的 RF 实现。它以本机方式处理分类变量。

有一个名为 Quick-R 的博客可以帮助您了解 R 的基础知识。

R 适用于包。每个包都可以做不同的事情。有一个名为“randomForests”的包应该正是你所要求的。

请注意，无论您采用哪种方法，稀疏数据都会产生问题。据我所知，这是一个非常开放的问题，一般而言，数据挖掘与其说是科学，不如说是一门艺术。随机森林总体上做得很好，但它们并不总是最好的方法。你可能想尝试一个有很多层的神经网络，这可能会有所帮助。