如何使用randomForest處理超過53個因子水平的分類值？

Question

我有一個訓練數據集，如下所示：

'data.frame':   229907 obs. of  19 variables:
$ categories             : Factor w/ 2061 levels  "","Accessories,Fashion,Shopping,Cosmetics & Beauty Supply,Beauty & Spas",..: 253 1541 1720 1647 38 396 522 1727 482 641 ...
$ city                   : Factor w/ 61 levels "Ahwatukee","Anthem",..: 18 38 38 38 38 38 38 51 31 43 ...
$ latitude               : num  33.3 33.5 33.5 33.5 33.5 ...
$ longitude              : num  -112 -112 -112 -112 -112 ...
$ open                   : Factor w/ 2 levels "False","True": 2 2 2 2 2 2 2 2 2 2 ...
$ review_count.x         : int  26 127 130 26 8 229 453 24 3 126 ...
$ stars.x                : num  4.5 3.5 4 4 4.5 3.5 4 4 2.5 3.5 ...
$ state                  : Factor w/ 4 levels "AZ","CA","CO",..: 1 1 1 1 1 1 1 1 1 1 ...
$ date                   : Factor w/ 2504 levels "2005-03-07","2005-03-08",..: 2031 1649 1936 1936 2001 1936 1936 2312 2056 1874 ...
$ stars.y                : int  5 4 4 5 4 3 5 5 1 4 ...
$ votes_cool             : int  0 0 1 0 0 0 1 1 0 0 ...
$ votes_funny            : int  0 0 1 0 0 0 1 1 1 0 ...
$ votes_useful           : int  0 0 1 0 1 0 2 1 2 0 ...
$ average_stars          : num  5 4.67 4.43 4.43 4.43 4.43 4.43 4.43 2.75 3.65 ...
$ name.y                 : Factor w/ 8323 levels "a","a.","A","A.",..: 3841 6354 7263 7263 7263 7263 7263 7263 5372 6556 ...
$ review_count.y         : int  2 4 7 7 7 7 7 7 4 20 ...
$ Total_votes_cool_user  : int  1 0 4 4 4 4 4 4 0 7 ...
$ Total_votes_funny_user : int  0 0 3 3 3 3 3 3 1 5 ...
$ Total_votes_useful_user: int  2 0 6 6 6 6 6 6 3 32 ...

我的目標是應用randomForest算法，但是randomForest僅包含直到53級的因素。有什么建議可以解決這個問題？ 我曾考慮過將所有分類值都轉換為整數，但我認為這對以后所需的預測效率沒有幫助。 我也有NA值的問題。 我用rfImput替換了它們，但我也遇到了同樣的問題。

謝謝，

Answer 1

您的許多“因素”根本不是真正的因素。 date不是一個因素，應該轉換為日期。 name應為字符串。 可能被視為一個因素的唯一category是category但現在不是。 您需要解析它並分離所有類別。 可能會幫助您的鏈接： https : //www.stat.berkeley.edu/classes/s133/factors.html 。 userid不是一個因素（因為每個觀察值可能都有不同的值），依此類推。