Apache Spark 随机森林性能缓慢

Question

如果能获得一些关于调整 Apache Spark 进行随机森林分类的​​技巧，那就太好了。
目前，我们有一个如下所示的模型：

• 特征子集策略全部
• 杂质基尼
• 最大Bins 32
• 最大深度 11
• 类数 2
• 树数 100

我们将 Spark 1.5.1 作为独立集群运行。

• 1 个主节点和 2 个工作节点。
• 每个 4 核节点的 RAM 量为 32GB。
• 分类耗时 440ms。

当我们将树的数量增加到 500 棵时，已经需要 8 秒了。我们尝试减少深度，但错误率更高。我们大约有 246 个属性。

也许我们做错了什么。我们有什么想法可以提高性能吗？

Answer 1

增加决策树的数量肯定会增加预测时间，因为问题实例必须遍历所有树。但减少它对预测准确性没有好处。您必须改变此参数（决策树的数量）并找到最佳值。这就是为什么它被称为超参数。超参数高度依赖于数据和属性的性质。您可能还需要一一改变其他超参数，并实现全局最优。

另外，当您说预测时间时，您是否也包括加载模型的时间！如果是这样，我想模型时间不应被视为预测时间。这只是加载模型和准备应用程序进行预测的开销。