R 中使用 randomForest 进行内存高效预测

TL;DR我想知道使用基于大型数据集（数百个特征、数十万行）构建的随机森林模型执行批量预测的内存有效方法。

Details:

我正在处理一个大型数据集（内存中超过 3GB），并且想要使用以下方法进行简单的二进制分类randomForest。由于我的数据是专有的，我无法共享它，但可以说以下代码运行

library(randomForest)
library(data.table)

myData <- fread("largeDataset.tsv")
myFeatures <- myData[, !c("response"), with = FALSE]
myResponse <- myData[["response"]]

toBePredicted <- fread("unlabeledData.tsv")

rfObj <- randomForest(x = myFeatures, y = myResponse, ntree = 100L)

predictedLabels <- predict(rfObj, toBePredicted)

然而，它需要几 GB 的内存。

我知道我可以通过关闭一堆邻近度和重要性度量来节省内存keep.*论点：

rfObjWithPreds <- randomForest(x = myFeatures,
                               y = myResponse,
                               proximity = FALSE,
                               localImp = FALSE,
                               importance = FALSE,
                               ntree = 100L,
                               keep.forest = FALSE,
                               keep.inbag = FALSE,
                               xtest = toBePredicted)

然而我现在想知道这是否是获得预测的最有效的内存方式toBePredicted。我可以做到这一点的另一种方法是并行种植森林并积极执行垃圾收集：

library(doParallel)
registerDoParallel(ncores = 5)

subForestVotes <- foreach(subForestNumber = iter(seq.int(5)),
                          .combine = cbind) %dopar% {
    rfObjWithPreds <- randomForest(x = myFeatures,
                               y = myResponse,
                               proximity = FALSE,
                               localImp = FALSE,
                               importance = FALSE,
                               ntree = 100L,
                               keep.forest = FALSE,
                               keep.inbag = FALSE,
                               xtest = toBePredicted)
   output <- rfObjWithPreds[["test"]][["votes"]]
   rm(rfObjWithPreds)
   return(output)
}

有谁有更聪明的方法来有效预测toBePredicted?