决策树在 R 中的机器学习很慢答案

【问题标题】：Machine learning in R is slow with decisiontree决策树在 R 中的机器学习很慢
【发布时间】：2017-02-11 08:25:18
【问题描述】：

我正在尝试根据车辆识别号 (VIN) 来预测车辆（型号）的类型。 VIN 的前 10 个位置说明了类型，所以我将它们用作变量。请参阅以下数据示例：

positie_1_tm_3 positie_4 positie_5 positie_6 positie_7 positie_8 positie_9 positie_10          MODEL
       MBL         B         7         5         L         7         A          6     SKODA YETI
       JNF         A         A         E         1         1         U          2    NISSAN NOTE
       VWZ         Z         Z         5         Z         Z         9          4 VOLKSWAGEN FOX
       F1D         Z         0         V         0         6         4          2 RENAULT MEGANE
       NAK         U         8         1         1         C         A          5    KIA SORENTO
       F1B         R         1         J         0         H         4          1   RENAULT CLIO

我使用了这个 R 代码：

#make stratisfied train and test set:
library(caret)
train.index <- createDataPartition(VIN1$MODEL, p = .6, list = FALSE)
train <- VIN1[ train.index,]
overige_data  <- VIN1[-train.index,]
test.index<-createDataPartition(overige_data$MODEL, p = .5, list = FALSE)
test<-overige_data[test.index,]
testset2<-overige_data[-test.index,]

#make decision three :
library(rpart)
library(rpart.plot)  
library(rattle)
library(RColorBrewer)
tree<- rpart(MODEL ~., train, method="class")

但是最后一个，制作树，已经运行了两个多星期。数据集大约有 300 万行，因此训练集大约有 180 万行。运行这么久是因为 rpart 的数据太多还是有其他问题？

【问题讨论】：

我怀疑是数据集的大小。我已经看到在 50k x 20 数据帧上运行了 6 小时的训练。您可以在较小的集合上进行训练以进行基准测试，或者将工作拆分到多台机器上吗？您是否在并行模式下运行？
我必须在所有类型的车辆上进行训练，因此不能选择较小的集合，并且我不能将工作拆分到多台机器上。我不熟悉以并行模式运行。所以我在互联网上读到了它。我很难将我的脚本构建为并行模式，我不是 R 方面的专家。但我发现了一些关于 rxDTree 算法的东西，它在大数据方面做得更好，并且正在做一些已经并行的事情。也许我可以试试这个算法。但我看到这是革命的付费算法。因此，如果您有让我的脚本并行运行的提示或示例脚本，我很高兴听到。
为了澄清，我建议在较小的集合上进行训练以评估性能。您可以推断总运行时间，但在 1000 行上进行训练。另外，我意识到您已经暗示了这个问题的答案（即“否”），但是是否有任何降维的机会？聚类？共线性？

标签： r machine-learning rpart

【解决方案1】：

不，显然有问题。这可能需要很长时间，但不是 2 周。

问题 - 有多少标签（有哪些类别）？当类的数量很大（我的意思是超过 50 个）时，决策树往往会很慢。

【讨论】：

在 300 和 400 类之间，有很多不同类型的汽车。 ;-)