Feb, 2015
随机森林和核方法
Random forests and kernel methods
Erwan Scornet
TL;DR本文探讨随机森林和核方法的联系,提出了基于随机森林的核方法 KeRF,KeRF 比随机森林更易于解释和分析,并通过实验证明了 KeRF 估计比随机森林估计更具优势。
Abstract
random forests are ensemble methods which grow trees as base learners and
combine their predictions by averaging. random forests are known for their good
→
发现论文,激发创造
随机森林的一致性
随机森林是一种通过构建多个随机决策树,通过平均聚合其预测结果的机器学习算法,可应用于广泛的预测问题并且具有较高的精度,同时支持小样本大小,高维特征空间和复杂数据结构的应对,本文在加法回归模型的情况下证明了该算法的一致性,并探究了随机森林如何很好地适应稀疏性。
May, 2014
随机分区的随机森林核和其他大数据核函数
提出了一种新的基于随机分区的核函数构造方法,即随机分区核函数,可以将传统方法如随机森林等转换成核函数,并在现实世界中的数据集问题上与标准核函数相比具有更高的性能表现,其核函数形式适合于某些大型数据的近似计算,因此可以用于高斯过程、支持向量机和核 PCA 等机器学习中的方法。
Feb, 2014
神经随机森林
将随机回归树方法改成了一个新的神经网络模型,称为神经随机森林。 基于随机回归树的架构利用了先验知识并具有更少的参数,较少的限制设计决策路径和优秀的表现使得方法可用于多样的预测问题。
Apr, 2016
广义随机森林
该研究提出了广义随机森林方法,用于基于随机森林进行非参数统计估计,可以用于拟合任何被识别为满足一组局部矩方程的解的感兴趣数量,提出了一种灵活且计算有效的算法以及新的非参数回归,条件平均偏差估计和异质性治疗效应估计方法,通过本研究可用 GRF 软件实现。
Oct, 2016
使用深度生成森林进行鲁棒分类
本文介绍了一种新的深度概率模型,叫作 “生成森林”,这种模型将随机森林扩展到了生成模型,可以表示整个特征空间上的联合分布,解决了判别模型缺乏处理预测不确定性方法的问题,并且可以测量每个预测的稳健性和检测分布外的样本。
Jul, 2020
缩小差距:随机森林的理论与实践
本研究提出了一种新的随机回归森林算法,证明了其一致性,并将其与其他理论可追踪的随机森林模型及实践中使用的随机森林算法进行了比较,实验证明了不同简化随机森林模型的方法的重要性。
Oct, 2013