不是真的，如果不是通过手动制作 RF 克隆来进行rpart模型装袋。

一些选项来自这样一个事实，即 RF 的输出实际上是一个连续的分数，而不是一个清晰的决定，即对某个类进行投票的树的比例。例如，它可以被提取predict(rf_model,type="prob")并用于制作 ROC 曲线，该曲线将显示比 0.5 更好的阈值（稍后可以在带有cutoff参数的 RF 训练中合并）。

classwt方法似乎也有效，但在实践中效果不佳——平衡预测和同一类的琐碎转换之间的转换往往过于尖锐而无法使用。

计算成本的方法有很多种。
(1) 每棵袋装树的过度/不足抽样（分层抽样）是引入成本的最常见方法。你故意不平衡数据集。
(2) 加权。从不工作。我认为这在文档中得到了强调。一些人声称你只需要在所有阶段加权，包括基尼分割和最终投票。如果它要工作，那将是一个棘手的实现。
(3) Weka中的元成本函数。
(4) 将随机森林视为概率分类器并改变阈值。我最不喜欢这个选项。可能是由于我缺乏知识，但即使算法可以输出概率，我也没有意义将它们视为概率模型。

但我确信还有其他方法。

建议如果您尝试预测的变量不是 50%class 1和 50% class 2（就像大多数情况一样），您可以调整参数以概括cutoff表示真实值。OOB

例如，

randomForest(data=my_data, formula, ntree = 501, cutoff=c(.96,.04))

在这种情况下，值为 1 的概率为 ，class 1而.96值为class 2为.04。

否则随机森林使用阈值0.5.

可以通过参数costMatrix显式合并：randomForestparms

library(randomForest)
costMatrix <- matrix(c(0,10,1,0), nrow=2)
mod_rf <- randomForest(outcome ~ ., data = train, ntree = 1000, parms = list(loss=costMatrix))