使用R中的randomForest包，我能够训练一个最小化总体错误率的随机森林。然而，我想做的是训练两个随机森林，一个首先最小化误报率（~ 0），然后是总体错误率，另一个首先最大化灵敏度（~1），然后是总体错误率。问题的另一种构造是：给定一个假阳性率和敏感率，训练两个不同的随机森林，分别满足其中一个率，然后最小化总错误率.有人知道是否有一个r包或python包，或任何其他软件在那里做这件事或如何做这件事吗？谢谢你的帮助。
cwxwcias1#
这是一个可能值得尝试的变通方法。（抱歉，我没有足够的声誉把它作为评论。）作为
（来自Sensitivity_and_specificity的注解）如果您重复一些阳性/阴性样本（或增加权重），ER将接近灵敏度/特异性。因此，如果你想最大限度地提高灵敏度，那么你可以将一些阳性样本采样/复制到数据集中，然后在其上训练你的RF。为了最大限度地提高特异性，你可以对阴性样本做同样的事情。
ttisahbt2#
你可以在“正则化”参数上做一个网格搜索，以最好地匹配你的目标行为。感兴趣的参数：
lokaqttq3#
我相信随机森林会为每个观察值生成一个比例，它代表森林对每个类的投票数。默认情况下，类是基于多数票分配的。如果你想让你的模型偏向于减少误报或漏报，你可以调整预测每个类的阈值。在R中的randomForest中，使用cutoff参数。我发现这篇文章很有帮助：https://stats.stackexchange.com/questions/112388/how-to-change-threshold-for-classification-in-r-randomforests
randomForest
cutoff
3条答案
按热度按时间cwxwcias1#
这是一个可能值得尝试的变通方法。（抱歉，我没有足够的声誉把它作为评论。）
作为
（来自Sensitivity_and_specificity的注解）
如果您重复一些阳性/阴性样本（或增加权重），ER将接近灵敏度/特异性。
因此，如果你想最大限度地提高灵敏度，那么你可以将一些阳性样本采样/复制到数据集中，然后在其上训练你的RF。为了最大限度地提高特异性，你可以对阴性样本做同样的事情。
ttisahbt2#
你可以在“正则化”参数上做一个网格搜索，以最好地匹配你的目标行为。
感兴趣的参数：
lokaqttq3#
我相信随机森林会为每个观察值生成一个比例，它代表森林对每个类的投票数。默认情况下，类是基于多数票分配的。如果你想让你的模型偏向于减少误报或漏报，你可以调整预测每个类的阈值。在R中的
randomForest中，使用cutoff参数。我发现这篇文章很有帮助：
https://stats.stackexchange.com/questions/112388/how-to-change-threshold-for-classification-in-r-randomforests