如何替换 randomForest r 包中的引导步骤

首先是一些背景信息，这在 stats.stackexchange 上可能更有趣：

在我的数据分析中，我尝试比较不同机器学习方法在时间序列数据上的性能（回归，而不是分类）。例如，我训练了一个 Boosting 训练模型，并将其与随机森林训练模型（R 包 randomForest）进行比较。

我使用时间序列数据，其中解释变量是其他数据和因变量的滞后值。

由于某种原因，随机森林的表现严重不佳。我能想到的问题之一是随机森林对每棵树的训练数据执行采样步骤。如果对时间序列数据执行此操作，则该序列的自回归性质将被完全消除。

为了测试这个想法，我想用所谓的块引导步骤替换 randomForest() 函数中的（引导）采样步骤。这基本上意味着我将训练集分成 k 个部分，其中k<<N，其中每个第 k 部分均按原始顺序排列。如果我对这 k 个部分进行采样，我仍然可以从随机森林中的“随机性”中受益，但时间序列的性质基本上保持不变。

现在我的问题是这样的：

为了实现这一目标，我通常会复制现有函数并编辑所需的步骤/行。

randomForest2 <- randomForest()

但 randomForest() 函数似乎是另一个更深层次底层函数的包装器的包装器。那么如何编辑 randomForest() 函数中的实际引导步骤并仍然定期运行该函数的其余部分？

所以对我来说，解决方案不是编辑现有的 randomForest 函数。相反，我自己编写了逐块引导程序，使用split2Soren H. Welling 给出的用于创建块的函数。一旦我按块引导了数据，我就寻找一个包（rpart）只执行一个回归树并自己聚合它（采用方法）。

我的实际数据的结果是在 RMSPE 方面比正常随机森林性能略有但持续改进的版本。

对于下面的代码，性能似乎是一个抛硬币的问题。

以 Soren 的代码为例，它看起来有点像这样：

library(randomForest)
library(doParallel) #parallel package and mclapply is better for linux
library(rpart)

#parallel backend ftw
nCPU = detectCores()
cl = makeCluster(nCPU)
registerDoParallel(cl)

#simulated time series(y) with time roll and lag=1
timepoints=1000;var=6;noise.factor=.2

#past to present orientation    
y = sin((1:timepoints)*pi/30) * 1000 +
  sin((1:timepoints)*pi/40) * 1000 + 1:timepoints
y = y+rnorm(timepoints,sd=sd(y))*noise.factor
plot(y,type="l")

#convert to absolute change, with lag=1
dy = c(0,y[-1]-y[-length(y)]) # c(0,t2-t1,t3-t2,...)

#compute lag 
dy = dy + rnorm(timepoints)*sd(dy)*noise.factor #add noise
dy = c(0,y[-1]-y[-length(y)]) #convert to absolute change, with lag=1 
dX = sapply(1:40,function(i){
  getTheseLags = (1:timepoints) - i
  getTheseLags[getTheseLags<1] = NA #remove before start timePoints
  dx.lag.i = dy[getTheseLags]
})
dX[is.na(dX)]=-100 #quick fix of when lag exceed timeseries
pairs(data.frame(dy,dX[,1:5]),cex=.2)#data structure

#make train- and test-set
train=1:600
dy.train = dy[ train]
dy.test  = dy[-train]
dX.train  = dX[ train,]
dX.test   = dX[-train,]

#classic rf
rf = randomForest(dX.train,dy.train,ntree=500)
print(rf)

#like function split for a vector without mixing
split2 = function(aVector,splits=31) {
  lVector = length(aVector)
  mod = lVector %% splits
  lBlocks = rep(floor(lVector/splits),splits)
  if(mod!=0) lBlocks[1:mod] = lBlocks[1:mod] + 1
  lapply(1:splits,function(i) {
    Stop  = sum(lBlocks[1:i])
    Start = Stop - lBlocks[i] + 1
    aVector[Start:Stop]
  })
}  


#create a list of block-wise bootstrapped samples
aBlock <- list()
numTrees <- 500
splits <- 40
for (ttt in 1:numTrees){

  aBlock[[ttt]] <- unlist(
    sample(
      split2(1:nrow(dX.train),splits=splits),
      splits,
      replace=T
    )
  )
}

#put data into a dataframe so rpart understands it
df1 <- data.frame(dy.train, dX.train)
#perform regression trees for Blocks
rfBlocks = foreach(aBlock = aBlock,
                   .packages=("rpart")) %dopar% {
                     dBlock = df1[aBlock,] 
                     rf = predict( rpart( dy.train ~., data = dBlock, method ="anova" ), newdata=data.frame(dX.test) ) 
                   } 

#predict test, make results table
#use rowMeans to aggregate the block-wise predictions
results = data.frame(predBlock   = rowMeans(do.call(cbind.data.frame, rfBlocks)),
                     true=dy.test,
                     predBootstrap = predict(rf,newdata=dX.test)
                     )
plot(results[,1:2],xlab="OOB-CV predicted change",
     ylab="trueChange",
     main="black bootstrap and blue block train")
points(results[,3:2],xlab="OOB-CV predicted change",
       ylab="trueChange",
       col="blue")

#prediction results
print(cor(results)^2)


stopCluster(cl)#close cluster