将两个随机森林模型中的树模型合并为 R 中 H2O 的一个随机森林模型

Question

我对机器学习海洋比较陌生，如果我的一些问题真的很基础，请原谅。

当前情况：总体目标是尝试改进在超级计算机集群上运行的 r 中 h2o 包的一些代码。但是，由于数据太大，单节点用 h2o 确实需要一天多的时间，因此，我们决定使用多个节点来运行模型。我想出了一个主意：

(1) 分发每个节点构建(nTree/num_node)棵树并保存到模型中；

(2) 在集群的每个节点上运行森林中的 (nTree/num_node) 棵树；

(3) 将树木重新合并在一起，对原始森林进行改造，并将测量结果取平均值。

我后来意识到这可能是有风险的。但是我找不到实际的支持或反对声明，因为我不是专注于机器学习的程序员。

问题：

1. 如果这种处理随机森林的方式会导致一些风险，请参考我的链接，这样我就可以大致了解为什么这是不正确的。
2. 如果这种方式实际上是一种“好的”方式。我应该怎么做才能合并树，有没有可以借用的包或方法？
3. 如果这确实是一个已解决的问题，请参考我的链接，我可能搜索了错误的关键字，谢谢！

我可以在这里展示的涉及实数的例子是：

我有一个包含 80k 行和 2k 列的随机森林任务，并且希望树的数量为 64。我所做的是在运行整个数据集的每个节点上放置 16 棵树，四个节点中的每一个都提出射频模型。我现在正在尝试将每个模型的树合并到这个大的 RF 模型中，并对测量结果进行平均（来自这四个模型中的每一个）。

Answer 1

无需合并模型。与提升方法不同，随机森林中的每棵树都是独立生长的（只是不要在每个节点上启动 RF 之前设置相同的种子！）。

您基本上是在做 Random Forest 自己做的事情，即种植 X 棵独立的树，然后对投票进行平均。许多软件包提供了一个选项来指定内核或线程的数量，以便利用 RF 的这一特性。

在您的情况下，由于每个节点拥有相同数量的树，您将获得 4 个“模型”，但这些实际上只是 16 棵树的集合。要使用它，我只需将 4 个模型分开，当您需要预测时，对 4 个模型中的每个模型的预测进行平均。假设您将不止一次这样做，您可以编写一个小型包装函数来预测 4 个模型并平均输出。

Answer 2

10,000 行 x 1,000 列并不算太大，训练 RF 模型应该不会花那么长时间。

听起来好像发生了一些意想不到的事情。

如果您知道自己在做什么，您可以尝试对模型进行平均，但我认为在这种情况下没有必要。