randomForest Categorical Predictor Limitits

Question

我明白並理解R的randomForest函數只能處理少於54個類別的分類預測變量。但是，當我將我的分類預測因子修剪到少於54個類別時，仍然會出現錯誤。我已經看到的關於stackoverflow的分類預測器限制的唯一問題是如何解決此類別限制，但我試圖修剪我的類別數量以遵循該函數的限制，而且我仍然得到錯誤。

以下腳本創建一個數據框，以便我們可以預測'專業'。可以理解，由於'college_id'變量，當試圖在'df'上運行randomForest（）時，出現「無法處理超過53個類別的分類預測變量」錯誤。

但是，當我修剪我的數據集，只包括前40名學院ID，我得到同樣的錯誤。我是否遺漏了一些基本的數據框架概念，即使現在只有40個「df2」數據框被填充，它仍然保留了所有類別？什麼是我可以使用的解決方法選項？

library(dplyr) 
library(randomForest) 

# create data frame 
df <- data.frame(profession = sample(c("accountant", "lawyer", "dentist"), 10000, replace = TRUE), 
      zip = sample(c("32801", "32807", "32827", "32828"), 10000, replace = TRUE), 
      salary = sample(c(50000:150000), 10000, replace = TRUE), 
      college_id = as.factor(c(sample(c(1001:1040), 9200, replace = TRUE), 
             sample(c(1050:9999), 800, replace = TRUE)))) 


# results in error, as expected 
rfm <- randomForest(profession ~ ., data = df) 


# arrange college_ids by count and retain the top 40 in the 'df' data frame 
sdf <- df %>% 
    dplyr::group_by(college_id) %>% 
    dplyr::summarise(n = n()) %>% 
    dplyr::arrange(desc(n)) 
sdf <- sdf[1:40, ] 
df2 <- dplyr::inner_join(df, sdf, by = "college_id") 
df2$n <- NULL 


# confirm that df2 only contains 40 categories of 'college_id' 
nrow(df2[which(!duplicated(df2$college_id)), ]) 


# THIS IS WHAT I WANT TO RUN, BUT STILL RESULTS IN ERROR 
rfm2 <- randomForest(profession ~ ., data = df2) 

Answer 1

我認爲你仍然有變數中的所有因素水平。在再次適合森林之前嘗試添加此行：

df2$college_id <- factor(df2$college_id)