Как я могу ускорить обучение моего случайного леса?

я пытаюсь обучить несколько случайных лесов (для регрессии), чтобы они конкурировали и видели, какой выбор функций и какие параметры дают лучшую модель.

однако тренировки, похоже, занимают безумное количество времени, и мне интересно, делаю ли я что-то неправильно.

набор данных, который я использую для тренировок (так называемый train ниже) имеет 217k строк и 58 столбцов (из которых только 21 служат предикторами в случайном лесу. Они все numeric или integer, за исключением логического, который имеет класс character. The y выход numeric).

я побежал следующий код четыре раза, давая значения 4, 100, 500, 2000 to nb_trees :

library("randomForest")
nb_trees <- #this changes with each test, see above
ptm <- proc.time()
fit <- randomForest(y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 
    + x10 + x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 
    + x20 + x21, 
    data = train, 
    ntree = nb_trees, 
    do.trace=TRUE)
proc.time() - ptm

вот сколько времени каждый из них взял, чтобы тренироваться:

nb_trees | time
4          4mn
100        1h 41mn
500        8h 40mn
2000       34h 26mn

поскольку сервер моей компании имеет 12 ядер и 125Go ОЗУ, я решил, что могу попытаться распараллелить обучение, следуя ответ (впрочем, я использовал the doParallel пакет, потому что он, казалось, работает вечно с doSNOW, я не знаю, почему. И я не могу найти, где я это видел!--15--> тоже будет работать, к сожалению).

library("randomForest")
library("foreach")
library("doParallel")
nb_trees <- #this changes with each test, see table below
nb_cores <- #this changes with each test, see table below
cl <- makeCluster(nb_cores)
registerDoParallel(cl)
ptm <- proc.time()
fit <- foreach(ntree = rep(nb_trees, nb_cores), .combine = combine, .packages = "randomForest") 
    %dopar% {
        randomForest(y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 
        + x10 + x11 + x12 + x13 + x14 + x15 + x16 + x17 + x18 + x19 
        + x20 + x21,
        data = train, 
        ntree = ntree,
        do.trace=TRUE)}
proc.time() - ptm
stopCluster(cl)

когда я запускаю его, он занимает меньше времени, чем не распараллеливают код :

nb_trees | nb_cores | total number of trees              | time
1          4          4                                    2mn13s
10         10         100                                  52mn
9          12         108 (closest to 100 with 12 cores)   59mn
42         12         504 (closest to 500 with 12 cores)   I won't be running this one
167        12         2004 (closest to 2000 with 12 cores) I'll run it next week-end

тем не менее, я думаю, что это все еще занимает много времени, не так ли ? Я знаю, что требуется время, чтобы объединить деревья в окончательный лес, поэтому я не ожидал, что он будет в 12 раз быстрее с 12 ядрами, но это всего лишь ~2 в разы быстрее...

• это нормально ?
• если это не так, есть ли что-нибудь, что я могу сделать с моими данными и/или моим кодом, чтобы радикально уменьшить время работы ?
• если нет, должен ли я сказать парню, отвечающему за сервер, что он должен быть намного быстрее ?

Спасибо за ваши ответы.

Примечания :

• я единственный, кто использует этот сервер
• для моих следующих тестов, я избавлюсь от столбцы, которые не используются в случайном лесу
• я довольно поздно понял, что могу улучшить время работы, позвонив randomForest(predictors,decision) вместо randomForest(decision~.,data=input), и я буду делать это теперь, но я думаю, что мои вопросы выше все еще держит.