复杂地形下用分布式回归森林进行降雨概率预测

Apr, 2018

复杂地形下用分布式回归森林进行降雨概率预测

Distributional Regression Forests for Probabilistic Precipitation Forecasting in Complex Terrain

Lisa Schlosser, Torsten Hothorn, Reto Stauffer, Achim Zeileis

TL;DR提出了一种将回归树与随机森林与经典 GAMLSS 框架中的分布并置合并的分布回归树和随机森林框架，以用于变量选择和建模非平滑依赖关系或高阶交互作用的情况，将其应用于大量气象预测数据生成的降水概率预测，并发现这种方法可以自动选择变量和交互作用，性能与计算成本高的提前预测信息或增强方法 GAMLSS 的性能相当甚至更好。

Abstract

To obtain a probabilistic model for a dependent variable based on some set of explanatory variables, a distributional approach is often adopted where the parameters of the distribution are linked to regressors. In many classical models this only captures the location of the distribution but over the last decade there has been increasing interest in distribut

distributional regression trees gamlss ngr probabilistic precipitation forecasts variable selection

发现论文，激发创造

融合分布回归算法的卫星降水空间预测中的不确定性估计

通过分布回归和集成学习方法，可以在空间预测和其他预测问题中利用零调整概率分布来创建由数据合并生成的降水数据集，并提供不确定性估计。通过与基准模型的比较，确定了层叠方法是最有效的策略，而在特定的分位数水平下，具体的层叠方法会有所不同，因此使用多个算法进行任务特定的组合可能会带来显著的好处。

Jun, 2024

转化森林

本文提出了一种基于参数分布变换树的转换森林算法，用于建立回归模型的条件分布，并可进行预测区间的计算和广泛的推断程序。

Jan, 2017

降水集合预报的分布回归 U-Net 后处理

准确的降水预报在决策制定中具有很高的社会经济价值，我们提出了一种全球统计后处理方法来处理基于格点的降水集合预报，该方法基于 U-Net 实现分布回归来预测参数分布，与现有的后处理方法相比，分布回归 U-Net 在连续分级概率评分方面取得了可比的性能，但在高气候降水区域无法提供校准的预报，而在强降水事件的预测能力方面，它们优于分位数回归森林和带有超尾扩展的半参数分位数回归森林。

Jul, 2024

分布式随机森林：异质性调整和多元分布回归

提出一种基于 MMD 分布度量的新的森林构建方法，用于多元响应的联合条件分布，由此产生的权重定义了完全条件分布的估计，可用于任意复杂的目标，适用于用 Python 和 R 包 drf 的广泛示例。

May, 2020

遥感应用中的非线性分布回归

该论文介绍了一种解决分布回归问题的非线性方法，它考虑了再生核希尔伯特空间中的分布嵌入，并在其中执行标准的最小二乘回归。该方法可用于不同维数和样本大小的多源数据，并通过随机傅里叶特征介绍了高效版本来处理数百万个数据点和组。

Dec, 2020

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

概率回归树集成

该研究使用基于树的集成方法，如随机森林、梯度提升树和贝叶斯增加回归树，在许多应用和研究中成功地用于回归问题。本文研究了概率回归树的集成版本，通过将每个观测分配到相对应的概率分布区域，为目标函数提供平滑逼近。我们证明了所考虑的概率回归树的集成版本是一致的，并在实验中研究了它们的偏差 - 方差折衷，并与最先进的性能预测方法进行比较。

Jun, 2024

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

当不确定性成为问题时，使用蒙德里安森林进行大规模回归

本文介绍了在大规模非参数回归设置中将蒙德里安森林扩展到使用新颖的分层高斯先验，从而获得基于原则的不确定性估计，同时保留决策森林的计算优势。通过使用说明性例子、现实世界中的大规模数据集和贝叶斯优化基准，证明了 Mondrian 森林优于近似 GPs 的大规模回归任务，并提供了比基于决策森林的方法更好的校准不确定性评估。

Jun, 2015

卫星降水的空间插值中的不确定性估计与集成学习

在空间插值和其他领域中，通过使用九种基于分位数的集成学习方法，将距离加权卫星降水数据与位置高程相结合，通过对比量化打分函数，证明了堆叠方法在提高概率预测方面的潜力。

Mar, 2024