Ответ 1
может установить параметр classwt, если у вас тяжелые неуравновешенные данные - приоритеты классов сильно отличаются?
Да, значения параметров classwt могут быть полезны для несбалансированных наборов данных. И я согласен с йораном, что эти значения преобразуются в вероятности для выборочных данных обучения (согласно аргументам Бреймана в его оригинальной статье).
Как установить classwt, когда в наборе данных обучения с 3 классами вы имеете вектор priors, равный (p1, p2, p3), и в тестовых наборах priors (q1, q2, q3)?
Для обучения вы можете просто указать
rf <- randomForest(x=x, y=y, classwt=c(p1,p2,p3))
В тестовом наборе не могут использоваться приоритеты: 1) такой вариант в методе predict для пакета randomForest отсутствует; 2) веса имеют смысл только для обучения модели, а не для предсказания.