Discussion :

[v4ss73r]

Bonjour,

J'ouvre ce topic afin de vous demander votre avis quant aux solutions qui peuvent être utile quand on fait un Random Forest avec un grand nombre de modalités différentes à prédire.

var1	var2	prédiction
1	1	code1
2	1	code2

Mettons qu'il y ai 1000 codes possible et que c'est la variable à prédire grâce à nos 2 variables var1 et var2.
(Je ne demande pas de conseils pour faire une Random Forest mais vraiment pour les problèmes dû au grand nombre de prédictions possible, packages recommandés, arguments dans la rf, un autre outils que R peut-être...)

A savoir :
j'utilise ce package : Library(randomForest)
Problème de classification

Merci.

Mano

[marou1991]

Bonjour,

Je peux savoir vous avez combien d'observations ( lignes ) dans ta table ? Est-ce que tu ne disposes que de deux variables explicatives ?

De mon point de vue, pour pouvoir prédire une variable avec beaucoup de modalités à partir de deux variables explicatives et être pertinent c'est vraiment difficile, sauf si une des deux variables colle presque exactement à ta variable explicative et du coup c'est comme si t'expliques une variable par elle-même ou il y a une forte corrélation entre les variables et du coup t'auras tout gagné.
Comme ça à chaud, je peux proposer de regrouper ta variable à expliquer en créant plusieurs clusters (par exemple faire un clustering sur ta variable à expliquer), t'auras par exemple 20 clusters (plus ou moins) de cette forme :
clust1 = { modalité 1, modalité 9 ... }
culst2 = {modalité 1000 , modalité 56 ..}
...
ect
pour ensuite modéliser le cluster. Essaye d'ajouter d'autres variables à partir de données en opendata par exemple ou autres.

Cordialement,

[v4ss73r]

Salut,

Ici j'avais plus d'un million d'individus, et une de mes variable contenait un corpus de texte qui contenait beaucoup d'information.
Effectivement j'ai opté pour la solution des clusters en regroupant les modalités se ressemblant le plus.
Résultats :
- simplicité d'interprétation
- peu de perte d'information
- modèle plus flexible et performant

Merci tout de même pour ta réponse, le système de cluster est très arrangeant.
Cordialement,
Mano