我意識到相關問題Positives/negatives proportion in train set提出，對於Rocchio算法，正負比例爲1：1的正負比例有利。用於訓練基於隨機森林的二元分類器的正負比例訓練實例
但是，這個問題不同於相關問題，因爲它涉及隨機森林模型，也有以下兩種方式。
1）我有大量的訓練數據可供使用，使用更多訓練樣例的主要瓶頸是訓練迭代時間。也就是說，我寧願不要花一個多小時的時間來訓練一個排行榜，因爲我想快速迭代。
2）實際上，分類器可能會看到每4個反例的1個正面例子。
在這種情況下，我應該使用比正面例子更多的否定例子，還是等於正數和負數例子？
這可能看起來像一個微不足道的答案，但我可以建議的最好的事情是嘗試一小部分數據（小到足以使算法快速訓練），並觀察使用1-1時的準確性，1-2,1-3等...
當您逐漸增加每個比率的示例總量並查看性能如何響應時，繪製結果圖。很多時候，你會發現數據的一小部分非常接近整個數據集的訓練表現，在這種情況下，你可以對你的問題作出明智的決定。
希望有所幫助。
請參見標題爲從這裏隨機森林的官方文檔「平衡預測誤差」：https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm#balance
我粗體字標識的某些部分。
總之，這似乎表明，你的訓練和測試數據應該要麼
。希望幫助秒。
在一些數據集中，類之間的預測誤差非常不均衡，其中 。有些課程的預測誤差較低，其他課程的預測誤差較高。 這通常發生在一個類比另一個類大得多時。然後， 隨機森林試圖最大限度地減少總體錯誤率，這將使大類中的 錯誤率保持較低，同時讓較小的類 具有更大的錯誤率。例如，在藥物發現中，給定分子被分類爲活性或不活性，活性物質的數量往往是10比1，高達100比1。在這些 的情況下，有趣的錯誤率班級（活動人員）將爲 非常高。
用戶可以通過輸出各個類的錯誤率來檢測不平衡。爲了說明20維的合成數據，使用了 。第一類出現在一個球形高斯中，第二類出現在另一球形高斯上。產生1000個1級和50個2級的訓練集合 ，共同 ，具有5000個1級和250個2級的測試集合。
500種樹木該數據森林的最終輸出是：
500 3.7 0.0 78.4
有一個低的總測試集誤差（3.73％），但第2類有超過四分之三其案件的 分類錯誤。
可以通過爲類別設置不同的權重來完成誤差平衡。
級別給定的權重越高，錯誤率越高，其錯誤率越低。一個指導什麼樣的權重是讓他們與階級人口成反比。因此，在第1級上設置權重爲1 ，並在第2級上設置權重爲20，然後再次運行。輸出是：
500 12.1 12.7 0.0
20的2類的重太高。將它設置爲10，然後再試一次， 獲得：
500 4.3 4.2 5.2
這是非常接近平衡。如果想要精確的餘額，那麼等級2的權重可能會稍微增加一些。
請注意，在獲得這種平衡時，整體錯誤率上升。 這是通常的結果 - 要獲得更好的平衡，總體錯誤率將提高。