使用随机森林模型预测含缺失目标值样本的部件失效问题

最近我在处理一个部件失效预测的任务，用到的数据集包含4679条观测值、13个变量，核心目标就是判断部件是否会失效。不过数据里有个小问题：4679条数据中，有66条的目标变量为NA，这正好是我需要预测的对象——得判断这66个部件是否会失效。

我先把数据集拆分成了训练集和测试集，划分代码如下：

train <- Imputed_data[1:4613, ]
test <- Imputed_data[4614:4679, ]

简单来说，前4613条作为训练集（这些样本的目标变量都是完整的，用来让模型学习特征和失效状态的关联规律），剩下的66条就是待预测的测试集。

接下来我打算基于训练集训练随机森林模型，之后用训练好的模型去预测测试集里那66个部件的状态。这里也想提几个需要注意的细节：

• 要确认训练集的目标变量确实没有缺失值，不然模型训练的基础就不扎实
• 虽然随机森林对特征尺度不敏感，但如果有冗余特征，提前做个特征筛选能让模型运行更高效
• 调参很关键，比如调整树的数量ntree、每次分裂选取的特征数mtry，都能直接影响模型的预测效果
• 考虑到失效样本的占比大概率很低（毕竟待预测的只有66条，训练集里的失效样本估计也不多），评估模型的时候别只看准确率，混淆矩阵、F1-score或者AUC这些指标会更能反映模型的真实性能

内容的提问来源于stack exchange，提问作者Mikz